R-从数据框架中存储for循环的数据

Question

我正在尝试创建一个与PubMed API交互的函数，以检索与100个出版物关联的XML文件。然后，我想单独解析XML文件以检索每个出版物的标题和每个出版物的摘要。我正在使用Rentrez软件包与API进行交互，并成功检索了必要的XML文件。我正在使用XML软件包来解析XML文件，并已验证XPath表达式是否检索了我想要的数据。实际上，我希望从其他字段（期刊标题，网格术语等）获取数据

但是，我无法为循环创建适当的循环将这些数据移动到数据框架中。我从运行代码中收到以下错误：

$<-.data.frame中的错误（ *tmp*，"摘要"，value = list（"摘要"文本）：替换有1行，数据具有0

当我测试该功能以接收标题信息（通过删除表达式以检索抽象信息）时，我收到一个空的数据框架，而没有有关我想要的标题的信息。但是没有错误消息。

如果我执行PubMed_parsed（" Kandel Eric"，n = 2），我的目标是从" Atitle"列中的两个标题中接收一个具有字符矢量的数据框架（标题：在哺乳动物大脑中的逆转座子沉默"one_answers"含有APCPEB同源物的非pro域APCPEB4参与了长期促进的启动"）。从两个摘要到相应地出现在"摘要"（摘要的一部分：" Piwi-Interactering RNA（PIRNA））中的角色向量，长期以来一直认为是Gremlin ..."蛋白质合成是突触特异性的……"）。

library(xml)
library(rentrez)
pubmed_parsed <- function(term, n=100){
    df <- data.frame(ATitle = character(), JTitle = character(), MeshTerms = character(), Abstract = character(), FAuthor = character(), LAuthor = character(), stringsAsFactors = FALSE)
  IdList <- entrez_search(db = "pubmed", term = term, retmode = "xml", retmax = n)
  for (i in 1:n){
    XmlFile <- entrez_fetch(db = "pubmed", id=IdList$ids[i], rettype = "xml", retmode = "xml", parsed=TRUE)
    Parsed <- xmlRoot(XmlFile)
    df$ATitle[i] <- xpathSApply(Parsed, "/PubmedArticleSet/PubmedArticle/MedlineCitation/Article/Title", xmlValue, simplify = FALSE)
    df$Abstract[i] <- xpathSApply(Parsed, "/PubmedArticleSet/PubmedArticle/MedlineCitation/Article/Title", xmlValue, simplify = FALSE)
  }
  df
}

Answer 1

这是获取表和一些建议的一种方法。首先，我将使用Web历史记录选项并将所有结果下载在一起，而不是通过下载循环。

ids <- entrez_search(db = "pubmed", term = "Kandel ER", use_history = TRUE)
ids
Entrez search result with 502 hits (object contains 20 IDs and a web_history object)
 Search term (as translated):  Kandel ER[Author] 
doc <- entrez_fetch(db="pubmed", web_history=ids$web_history, rettype="xml", retmax = 3, parsed=TRUE)

接下来，将文章放入节点集中并查询以处理所有缺失和多个标签。

articles <- getNodeSet( doc, "//PubmedArticle")
length(articles)
[1] 3
articles[[1]]
<PubmedArticle>
  <MedlineCitation Status="Publisher" Owner="NLM">
    <PMID Version="1">27791114</PMID>
    <DateCreated>
    ...

我通常会创建一个函数以添加NAS，如果标签丢失，并使用逗号连接多个标签。

xpath2 <-function(x, path, fun = xmlValue, ...){
       y <- xpathSApply(x, path, fun, ...)
     ifelse(length(y) == 0, NA,
        ifelse(length(y) > 1, paste(unlist(y), collapse=", "), y))
}

然后只需将该函数应用于节点（XPath中的领先点，因此相对于该节点）。这将将多个关键字合并到逗号分隔的列表中，并在第3条中包含缺少关键字的NA。

sapply(articles, xpath2,  ".//Keyword")
[1] "DNA methylation, behavior, endogenous siRNA, piwi-interacting RNA, transposon"
[2] "Aplysia, CPEB, CPEB4, Long-term facilitation"                                 
[3] NA   

大多数XPath应该工作

sapply(articles, xpath2,  ".//PubDate/Year")
[1] "2016" "2016" "2016"
sapply(articles, xpath2,  ".//ArticleId[@IdType='pmc']")
[1] "PMC5111663" "PMC5075418" NA 

如果需要，也可以使用xmlGetAttr

sapply(articles, xpath2,  ".//Article", xmlGetAttr, "PubModel")
[1] "Print-Electronic" "Electronic"       "Electronic"

最后，创建一个data.frame

data.frame( 
  ATitle = sapply(articles, xpath2,  ".//ArticleTitle"),
  JTitle = sapply(articles, xpath2,  ".//Journal/Title"),
Keywords = sapply(articles, xpath2,  ".//Keyword"),
 Authors = sapply(articles, xpath2,  ".//Author/LastName"),
Abstract = sapply(articles, xpath2,  ".//AbstractText"))

我不确定网格术语发生了什么，但是我只在下载的几个示例中看到了关键字。另外，可能有几种方法可以获得第一和最后的作者。您可以同时获得姓氏和缩写（假设两者总是存在），然后在缩写之前替换逗号以获取作者字符串。然后将其拆分以获得第一位和最后一个作者，甚至在下面打印出前三个。

au <- sapply(articles, xpath2,  ".//Author/LastName|.//Author/Initials")
au <- gsub(",( [A-Z]+,?)", "\1", au)
authors_etal <- function(x, authors=3, split=", *"){
   y <- strsplit(x, split)
   sapply(y, function(x){
      if(length(x) > (authors + 1))  x <- c(x[1:authors], "et al.")
      paste(x, collapse=", ")
   })
}
authors_etal(au)
[1] "Nandi S, Chandramohan D, Fioriti L, et al."
[2] "Lee SH, Shim J, Cheong YH, et al."         
[3] "Si K, Kandel ER"