在R语言中用循环调用separate函数批量拆分药物数据列的问题

问题描述 #

现有一个含患者ID和多列药物信息的数据框，每列药物信息均为name,code,class,dose格式的逗号分隔字符串。示例数据构建代码如下：

id <- c(1,2,3)
med1 <- c("Penicillin,1,Antibiotic,5mg","Fluoxetine,5,Antidepressant,20mg","Olanzapine,9,Antipsychotic,2mg")
med2 <- c("Aspirin,4,Blood thinner,81mg",NA,"Lisinopril,3,Antihypertensive,10mg")
med3 <- c(NA,NA,"Amlodipine,2,Antihypertensive,5mg")
meds <- data.frame(id, med1, med2, med3)
meds

手动使用separate拆分的代码如下，但面对上百列药物时效率极低：

meds2 <- meds %>% 
  separate(med1, c('med_name1', 'med_code1', "med_class1", "med_dose1"), sep=",") %>% 
  separate(med2, c('med_name2', 'med_code2', "med_class2", "med_dose2"), sep=",") %>% 
  separate(med3, c('med_name3', 'med_code3', "med_class3", "med_dose3"), sep=",")
meds2

尝试用for循环批量处理但失败，代码如下：

meds <- for(i in 1:3){
  separate(meds2[i+1], c(paste0("med_name", i), paste0("med_code", i), paste0("med_class", i), paste0("med_dose", i), sep=","))
}

循环代码的问题 #

你的循环代码存在三个核心问题：

• 未累积更新数据框：每次调用separate后没有将结果赋值回meds，循环结束后没有保留任何处理结果。
• 参数位置错误：把sep=","写在了列名向量的括号内，导致向量最后一个元素变成",，separate的分隔符参数完全失效。
• 列选择逻辑错误：meds2[i+1]的写法虽然能选中列，但separate的第一个参数应该是列名（或位置），且没有基于原数据框逐步更新。

高效批量拆分方法 #

方法1：用tidyr::across批量处理（推荐） #

利用across一次性处理所有以med开头的列，自动生成带后缀的拆分列：

library(tidyverse)

meds_clean <- meds %>%
  mutate(
    across(
      starts_with("med"),
      ~ str_split_fixed(., ",", 4) %>%
        as_tibble(.name_repair = ~ str_c("med_", c("name", "code", "class", "dose"), str_remove(cur_column(), "med")))
    )
  ) %>%
  unnest(cols = starts_with("med"))

方法2：长格式拆分后转宽格式 #

这种方法逻辑清晰，适合复杂批量场景：

meds_clean <- meds %>%
  # 转长格式，把所有med列合并为一列
  pivot_longer(
    cols = starts_with("med"),
    names_to = "med_col",
    values_to = "med_info",
    values_drop_na = FALSE
  ) %>%
  # 拆分药物信息
  separate(
    med_info,
    c("med_name", "med_code", "med_class", "med_dose"),
    sep = ",",
    fill = "right" # 处理NA或拆分不完整的情况
  ) %>%
  # 转回宽格式，生成对应列
  pivot_wider(
    names_from = med_col,
    values_from = c(med_name, med_code, med_class, med_dose),
    names_glue = "{.value}_{str_remove(med_col, 'med')}"
  )

方法3：修正后的for循环 #

如果坚持用循环，需要正确累积处理结果：

library(dplyr)
library(tidyr)

meds_clean <- meds
med_cols <- grep("^med", colnames(meds_clean), value = TRUE)

for(i in seq_along(med_cols)){
  col_name <- med_cols[i]
  meds_clean <- meds_clean %>%
    separate(
      col = col_name,
      into = c(paste0("med_name", i), paste0("med_code", i), paste0("med_class", i), paste0("med_dose", i)),
      sep = ",",
      fill = "right"
    )
}

内容的提问来源于stack exchange，提问作者Elizabeth Driskill