r语言 - 在导入其他数值时处理"less than"和"greater than"符号的最佳做法是什么？

Question

这是一个关于最佳实践的一般问题。

我使用tidyverse包从CSV导入、读取并操作临床实验室数据。对于临床数据，通常用"小于"或"大于"符号报告量化极限之外的值，例如<250 mg/dL或>2500 mg/dL。因此，您通常会有一个列，其中大部分是数值，但也有一些值会被readr解释为字符串。如果我强制该列为数字，那么默认情况下，字符串被强制为NA。

我希望能够告诉readr或dplyr接受那些字符串值(例如<250，>2500(作为数值，去掉字符(例如2502500(。理想情况下，这将在管道中完成

一般来说，处理这种情况最灵活、最一致的方法是什么？

Answer 1

信任其中一个包来了解"<250 mg/dL"的含义超出了他们的专业领域。例如，根据您的需要，该值可能意味着"有效0">或"有效250">或者其他什么。无论这是否适用于药物、抗体、化学物质或其他什么，它都是绝对上下文相关的。

鉴于此，我认为程序员/分析师有责任确定什么是合适的。

基本R方法，假设2:3反映了需要修复的列：

dat <- read.csv(text = csv, stringsAsFactors = FALSE)
str(dat)
# 'data.frame': 2 obs. of  3 variables:
#  $ id  : int  1 2
#  $ val1: chr  "<250 mg/dL" ">250 mg/dL"
#  $ val2: chr  ">2500 mg/dL" "<2500 mg/dL"
dat[,2:3] <- lapply(dat[,2:3], function(s) as.numeric(gsub("[^-.0-9]", "", s)))
str(dat)
# 'data.frame': 2 obs. of  3 variables:
#  $ id  : int  1 2
#  $ val1: num  250 250
#  $ val2: num  2500 2500

一个小版本：

library(dplyr)
readr::read_csv(csv) %>%
mutate_at(vars(val1, val2), ~ as.numeric(stringr::str_replace_all(., "[^-.0-9]", "")))

data.table也很容易适应上面的lapply。

---

然而，这只是假设<250与250相同，这并没有区分"真实"值和"小于"值。考虑：

csv <-'
id,val1,val2
1,"<250 mg/dL",">2500 mg/dL"
2,">250 mg/dL","<2500 mg/dL"
3,25,2500'

第3行应如何区别于其他行？为此，我认为你需要融入更多的逻辑，也许是ifelse(grepl("<", s), "0", s)等。同样，这都是上下文相关的，所以只有分析师知道解释这些数字时应该遵循什么规则。