R语言处理患者地址：判断401是否在30相关字符前标记目标住址

AI 小北

2026-10-3

患者地址匹配解决方案

需求为标记居住在401 30th street的患者，核心校验规则：地址包含完整的401门牌号，且401出现在30相关街道标识（30/30th/30st/e30/e30th/east30等）之前，同时排除30后接其他数字（如300、305）、401属于长数字片段（如40120）的误匹配场景。

示例数据

数据预览

序号	ADDRESS	预期Outcome
1	401 300th st	FALSE
2	40120 30 street	FALSE
3	30 401 plz	FALSE*
4	401 30th st	TRUE
5	401 e gibbsborro rd, 305	FALSE
6	401 e 30th street, shelter	TRUE
7	401 east 30st	TRUE
8	401 e30th street, 3	TRUE
9	77-02 30th ave, 3rd fl	FALSE
10	401 e30 st.	TRUE

*注：原示例中第3条标记为TRUE，不符合401在前的规则，应为输入笔误。如果业务确实需要将该类场景标记为TRUE，可调整正则为前后顺序双向匹配即可。

样本数据构造代码

location <- structure(list(ADDRESS = c("401 300th st", "40120 30 street", 
"30 401 plz", "401 30th st", "401 e gibbsborro rd, 305", "401 e 30th street, shelter", 
"401 east 30st", "401 e30th street, 3", "77-02 30th ave, 3rd fl", 
"401 e30 st."), Outcome = c(FALSE, FALSE, TRUE, TRUE, FALSE, 
TRUE, TRUE, TRUE, FALSE, TRUE)), class = "data.frame", row.names = c(NA, 
-10L))

现有代码问题

原有实现仅判断地址同时包含401和30相关标识，未校验二者先后顺序，也未排除30后接其他数字、401属于长数字片段的误匹配场景，会出现大量错误标记。

优化后实现代码

使用正则表达式的顺序匹配+负向先行断言规则，一次性完成所有校验：

library(dplyr)

location <- location %>%
  mutate(
    ADDRESS = tolower(ADDRESS),
    st30 = grepl("\\b401\\b.*?\\b(30|30th|30st|e30|e30th|east30)\\b(?!\\d)", ADDRESS, perl = TRUE)
  )