Вот один метод, использующий dplyr и purrr.
library(dplyr)
library(purrr)
drug_name <- data_frame(
Description = trimws(readLines(textConnection('ZOLEDRONIC ACID INF 4MG/5ML (5ML)
CALCICHEW D3 FORTE CHEWABLE TABS
DAYCASE DRUGS
AKYNZEO (NETUPITANT/PALONOSETRON) HARD CAPS 300MG/0.5MG
CYCLOPHOSPHAMIDE INF 1MG/ML
EPIRUBICIN INJ 1MG/ML
DAYCASE DRUGS
DAYCASE DRUGS
ALOXI (PALONOSETRON) INJ 250MCG
PACLITAXEL INF 1MG/ML
DEXAMETHASONE VIAL 6.6MG/2ML - USE PSD742
PACLITAXEL INF 1MG/ML
RAMUCIRUMAB INF 0.1MG - 100MG')))
)
units <- c("TABS","INF","SYR","CAPS","INJ","VIAL","SOL","POWDER",
"GEL","CREAM","LOTION","AMP","SINGLEJECT","PFS")
units1 <- sprintf("\\b(%s)\\b", paste(units, collapse = "|"))
Во-первых, краткий обзор и подтверждение концепции:
m <- regmatches(drug_name$Description,
gregexpr(paste0(units1, ".*"), drug_name$Description))
m
# [[1]]
# [1] "INF 4MG/5ML (5ML)"
# [[2]]
# [1] "TABS"
# [[3]]
# character(0)
# [[4]]
# [1] "CAPS 300MG/0.5MG"
# [[5]]
# [1] "INF 1MG/ML"
# [[6]]
# [1] "INJ 1MG/ML"
# [[7]]
# character(0)
# [[8]]
# character(0)
# [[9]]
# [1] "INJ 250MCG"
# [[10]]
# [1] "INF 1MG/ML"
# [[11]]
# [1] "VIAL 6.6MG/2ML - USE PSD742"
# [[12]]
# [1] "INF 1MG/ML"
# [[13]]
# [1] "INF 0.1MG - 100MG"
I "получить всеследуя "с .*, чтобы узнать количество единиц.Временами это будет давать больше, чем мы хотим, но для того, чтобы найти все похожие на значения слова после единицы, нам нужно захватить все и затем отфильтровать.
Нам нужно защититься от character(0) и в идеалепреобразовать в вектор, поэтому
fixEmpties <- function(lst, default=NA_character_)
unlist(replace(lst, lengths(lst) == 0L, default))
, хотя вы можете предпочесть использовать пустую строку "" вместо NA_character_.
Для фильтрации, вот быстрая функция, которая ищет любыечисло в каждом из следующих «слов».Он также учитывает одиночное значение "-", но удаляет его, если это последнее совпадение.
extractAmounts <- function(s, default=NA_character_) {
vec <- strsplit(s, "\\s+")[[1]][-1]
vec2 <- which(cumall(grepl("[0-9]", vec) | vec == "-"))
if (isTRUE(length(vec2) > 0)) {
# remove a trailing "-" that does not result in a range
if (vec[ tail(vec2, 1) ] == "-") vec2 <- vec2[-length(vec2)]
return(paste(vec[vec2], collapse = " "))
} else return(default)
}
И быстрый, чтобы получить оригинальный блок, всегда первое слово.
extractUnits <- function(s)
head(strsplit(s, "\\s+")[[1]], 1)
Тест:
m <- fixEmpties(m)
sapply(m, extractUnits, USE.NAMES=FALSE)
# [1] "INF" "TABS" NA "CAPS" "INF" "INJ" NA NA "INJ" "INF"
# [11] "VIAL" "INF" "INF"
sapply(m, extractAmounts, USE.NAMES=FALSE)
# [1] "4MG/5ML (5ML)" NA NA "300MG/0.5MG"
# [5] "1MG/ML" "1MG/ML" NA NA
# [9] "250MCG" "1MG/ML" "6.6MG/2ML" "1MG/ML"
# [13] "0.1MG - 100MG"
Хорошо, теперь, чтобы поставить этов трубу:
drug_name %>%
mutate(
full = fixEmpties(regmatches(Description, gregexpr(paste0(units1, ".*"), Description))),
unit = map_chr(full, extractUnits),
amt = map_chr(full, extractAmounts)
) %>%
select(-full)
# # A tibble: 13 x 3
# Description unit amt
# <chr> <chr> <chr>
# 1 ZOLEDRONIC ACID INF 4MG/5ML (5ML) INF 4MG/5ML (5ML)
# 2 CALCICHEW D3 FORTE CHEWABLE TABS TABS <NA>
# 3 DAYCASE DRUGS <NA> <NA>
# 4 AKYNZEO (NETUPITANT/PALONOSETRON) HARD CAPS 300MG/0.5MG CAPS 300MG/0.5MG
# 5 CYCLOPHOSPHAMIDE INF 1MG/ML INF 1MG/ML
# 6 EPIRUBICIN INJ 1MG/ML INJ 1MG/ML
# 7 DAYCASE DRUGS <NA> <NA>
# 8 DAYCASE DRUGS <NA> <NA>
# 9 ALOXI (PALONOSETRON) INJ 250MCG INJ 250MCG
# 10 PACLITAXEL INF 1MG/ML INF 1MG/ML
# 11 DEXAMETHASONE VIAL 6.6MG/2ML - USE PSD742 VIAL 6.6MG/2ML
# 12 PACLITAXEL INF 1MG/ML INF 1MG/ML
# 13 RAMUCIRUMAB INF 0.1MG - 100MG INF 0.1MG - 100MG