如何根据字符串进行过滤

Question

下面是我的数据库的表示

ID<-1:10
CityCode<-c("AA","BB","BB","CC","CC","CC","DD","DD","DD","DD")
strPostcode<-c("01",rep("10_11",2),rep("20_21_22",3),rep("30_31_32_33",4))
HospitalCode<-c("04","05","10","20","21","33","34","65","22","03")

mydata<-data.frame(ID,CityCode,strPostcode, HospitalCode)

这是一些背景知识。我有患者的地理来源(城市代码和相关的邮政编码:前两列)和他们接受治疗的医院的地理位置(HospitalCode)。我想根据医院来过滤这个数据库。城市由城市代码和与该城市相关的所有邮政编码(以破折号分隔)指定。另一方面，医院只由邮政编码指定。我不能直接把一个城市和一家医院联系起来。但是，如果医院代码在城市代码字符串中(Column=、strPostcode)，则意味着医院属于该城市。因此，我只想过滤掉城市"CC“中的医院(即代码为20、21或22的医院)，以获得此表：

 ID CityCode strPostcode HospitalCode

1   4       CC    20_21_22           20
2   5       CC    20_21_22           21
3   9       DD 30_31_32_33           22

然后我想过滤4个城市AA、BB、CC和DD的医院(即由"_"：01、10_11、20_21_22、30_31_32_33分隔的这组代码中的所有医院代码)。因为邮政编码为"04“、"05”、"34“、"65”、"03“的医院不属于这四个城市中的任何一个。

 ID CityCode strPostcode HospitalCode

3   3       BB       10_11           10
4   4       CC    20_21_22           20
5   5       CC    20_21_22           21
6   6       CC    20_21_22           33
9   9       DD 30_31_32_33           22

注:在我的真实数据库中，我有成千上万的医院和城市。我必须自动化，特别是选择所有城市的所有医院。

Answer 1

首先，你想要一个“城市数据集”。我的示例将基于dplyr和tidyr包。

city_data <- mydata %>%
  select(CityCode, strPostcode) %>%
  distinct
city_data

这为您提供了一组唯一的城市代码及其邮政编码：

  CityCode strPostcode
1       AA          01
2       BB       10_11
3       CC    20_21_22
4       DD 30_31_32_33

然后你想把邮政编码分开。函数separate_rows分离了strPostcode，并将数据帧透视为一个长形式。

city_data2 <- hosp_data %>%
  tidyr::separate_rows(strPostcode)
city_data2

   CityCode strPostcode
1        AA          01
2        BB          10
3        BB          11
4        CC          20
5        CC          21
6        CC          22
7        DD          30
8        DD          31
9        DD          32
10       DD          33

现在假设您希望所有与城市CC相关的HospitalCodes患者。首先，您只过滤city_data2中的CC行，然后检查哪些HospitalCode在这些strPostcode中

CC_codes <- city_data2 %>%
  filter(CityCode == 'CC')

mydata %>%
  filter(HospitalCode %in% CC_codes$strPostcode)

  ID CityCode strPostcode HospitalCode
1  4       CC    20_21_22           20
2  5       CC    20_21_22           21
3  9       DD 30_31_32_33           22

同样，对于所有的AA、BB、CC和DD (不需要过滤，因为city_data2只包含这4个城市)：

mydata %>%
  filter(HospitalCode %in% city_data2$strPostcode)

  ID CityCode strPostcode HospitalCode
1  3       BB       10_11           10
2  4       CC    20_21_22           20
3  5       CC    20_21_22           21
4  6       CC    20_21_22           33
5  9       DD 30_31_32_33           22