R语言中匹配数据框列指定前两位ICD-10编码的高效实现方法

以下三种方案均比%like%搭配case_when的执行效率更高，尤其在十万行以上的数据集上性能优势更明显：

方案1：截取前缀匹配（可读性最高，不易出错） #

先统一编码大小写，截取前两位后直接匹配目标前缀集合，逻辑清晰，对正则不熟悉的用户优先选这个：

# 示例编码向量
codes = c("s001", "s1234", "s4g6", "T002", "T191","t985","s761","t17.5")

# 统一转大写后截取前两位，判断是否在目标前缀集合中
code_prefix <- substr(toupper(codes), 1, 2)
result <- as.integer(code_prefix %in% c("S0", "S1", "T0", "T1", "T9"))

返回的result对应示例编码的结果为：1 1 0 1 1 1 0 1，完全符合需求。

方案2：base R正则匹配（无依赖，代码简洁） #

直接用base R自带的grepl函数做正则匹配，不需要加载任何第三方包，单行即可完成：

result <- as.integer(grepl("^([Ss][01]|[Tt][019])", codes))

正则说明：^匹配字符串开头，[Ss]匹配大小写的S，[Tt]匹配大小写的T，后续字符限制为目标前缀的第二位即可。

方案3：stringi正则匹配（超大数据集最优） #

如果你的数据集行数超过百万，推荐用性能更优的stringi包函数，执行速度比base R快2-3倍：

library(stringi)
result <- as.integer(stri_detect_regex(codes, "^([Ss][01]|[Tt][019])"))

小提示：如果你的编码列已经提前统一为全大写/全小写，可以去掉正则里的大小写匹配规则，或者转大小写的步骤，执行效率会进一步提升。

内容的提问来源于stack exchange，提问作者kam