R语言中如何为医疗数据参与者生成等长唯一匿名ID

核心逻辑 #

• 先提取所有唯一的原Patient_SSN，计算每个SSN对应的字符长度
• 为每个唯一SSN生成对应长度的不重复新ID，建立映射关系
• 将映射关系匹配回原数据集，替换原SSN字段

基础R实现（无需额外依赖包） #

# 示例数据构造
Patient_Name = c("Alex", "Mary", "Sarah", "John", "Susan", "Jessica", "Sarah", "Karen", "Mary", "John")
Patient_SSN  =  c(1234,    43251,    9320,    2901,  3229,     4291,     9320,    9218988,    43251 ,  2901)
Visit_Date   =  c('10_21', '10_21',  '10_25', '10_25','10_26','10_27','10_28','10_28','10_28' ,'10_29')
BMI = runif(10, min=12, max =25);
data_hospital = data.frame(Patient_Name, Patient_SSN, BMI, Visit_Date)

# 1. 提取唯一SSN，计算对应长度
unique_ssn <- unique(data_hospital$Patient_SSN)
ssn_length <- nchar(as.character(unique_ssn))

# 2. 生成对应长度的唯一纯数字新ID
set.seed(123) # 固定种子方便复现，实际使用可删除
new_id <- c()
new_id <- mapply(function(len) {
  # 生成对应长度的随机数，范围是10^(len-1)到10^len -1，确保长度一致
  repeat {
    id <- sample(10^(len-1):(10^len - 1), 1)
    # 确保新ID不重复
    if (!id %in% new_id) break
  }
  return(id)
}, len = ssn_length)

# 3. 建立映射表
ssn_map <- data.frame(
  Patient_SSN = unique_ssn,
  New_Patient_ID = new_id
)

# 4. 匹配回原数据集
data_hospital_new <- merge(data_hospital, ssn_map, by = "Patient_SSN", all.x = TRUE)
# 可选：删除原SSN字段保护隐私
data_hospital_new$Patient_SSN <- NULL

运行后可验证：同一个患者的多次就诊记录New_Patient_ID完全一致，且新ID的字符长度和对应原SSN完全相同。比如原SSN为9218988的Karen，原长度为7，新ID也为7位数字；原SSN为43251的Mary两次就诊的新ID完全一致。

tidyverse版本（dplyr+stringr实现） #

如果日常使用tidyverse生态，可以用更简洁的写法：

library(dplyr)
library(stringr)

set.seed(123)
data_hospital_new <- data_hospital %>%
  # 按原SSN分组，生成分组级别的长度和唯一新ID
  group_by(Patient_SSN) %>%
  mutate(
    ssn_len = nchar(as.character(Patient_SSN)),
    New_Patient_ID = sample(10^(ssn_len[1]-1):(10^ssn_len[1] - 1), 1)
  ) %>%
  ungroup() %>%
  # 可选删除原SSN和临时长度字段
  select(-Patient_SSN, -ssn_len)

注意事项 #

• 若需要新ID包含字母，可把随机生成部分替换为stringi::stri_rand_strings(1, len, pattern = "[A-Za-z0-9]")，同时要确保生成的ID唯一
• 10000条量级的数据下上述方法运行效率足够，无需额外优化
• 固定set.seed可以保证每次运行生成的新ID一致，需要随机化的场景删除该行即可

内容的提问来源于stack exchange，提问作者Identicon