数据清洗：提取字符串中的数字

在我们日常进行数据清洗的过程中，可能会遇到需要对字符串进行操作和处理的任务。在下面的例子中，我们收到了一份关于医院患者输注血制品的医嘱单，但遗憾的是，在这份数据集中，输注血制品的量包含在了一个字符串中而不是被正确的提取在用量这一列中。数据集如下：

> head(examdata)ID          ORDER_NAME DRUG_QUAN ZXDW
1 2559 输红细胞悬液2个单位         1 <NA>
2 1945 输红细胞悬液2个单位         1 <NA>
3 1846 输红细胞悬液2个单位         1 <NA>
4 2478       输血浆(400ml)         1 <NA>
5 2205 输红细胞悬液2个单位         1 <NA>
6 1571    输血小板10个单位         1 <NA>

stringr包与正则表达式

本次数据处理中，我们将利用stringr包来提取ORDER_NAME中的数字，并将其作为单独的一列，以方便我们后续进行数据的分析。stringr包是R语言中一个简单、易用的字符串操作工具，并且在这个包中，我们可以使用*正则表达式（Regular expressions）*进行字符串的匹配。关于stringr包与正则表达式的相关知识可以参考以下的学习资料：

R----stringr包介绍学习：来自CSDN用户介绍的关于stringr包的相关功能及示例，可以快速的了解这个包用法
CRAN上的stringr主页：这个页面包含了stringr包相关的资料、下载及所有官方的信息
R for Data Science书中字符串的基础教程：这是一本优秀的、免费的电子书，该书的作者Hadley Wickham也是stringr包的作者，在其14章中，介绍了字符串的处理以及正则表达式相关的内容。
中文的正则表达式教程：如果对于英文材料阅读困难，可以从这份优秀的中文教程开始学习正则表达式相关的内容，在这份教程中，还提供了一个在线测试工具，用于验证你的正则表达式是否起作用。

在这个示例中，我们主要用到的函数是str_extract_all()，这函数与str_extract()的区别在于，str_extract_all()可以提取出所有匹配的值，而str_extract()只能提取出匹配的第一个值。在str_extract_all()函数中，我们还可以通过调用simplify = TURE来使得返回结果变为矩阵（如果simplify = FALSE，则返回结果为列表）。

示例及代码

值得注意的是，我们的这个数据集中字符串的数字并不一定是整数，有些红细胞输注可能存在1.5单位之类的，因此在我们的正则表达式中，需要包含小数点：

drugdose <- str_extract_all(examdata$ORDER_NAME, regex("[0-9/.]"), simplify = TRUE)> head(drugdose)[,1] [,2] [,3] [,4]
[1,] "2"  ""   ""   ""
[2,] "2"  ""   ""   ""
[3,] "2"  ""   ""   ""
[4,] "4"  "0"  "0"  ""
[5,] "2"  ""   ""   ""
[6,] "1"  "0"  ""   ""

现在我们已经成功得到了一个提取出数字的矩阵了，但是离我们最后需要的结果还有距离，我们需要将单个的字符给粘贴起来。在这里，我们需要使用plyr包中的ldply()函数以及基础包中的lapply()函数。这里我们将用lapply()函数历遍我们的矩阵，并在每一行都执行一次合并字符串，ldply()则负责将lapply()返回都列表转换为数据框：

pastenum <- function(x, data) {y <- paste0(data[x, ], collapse = "")return(y)
}
library(plyr)
head(ldply(lapply(c(1:nrow(drugdose)), data = drugdose, pastenum)))> head(ldply(lapply(c(1:nrow(drugdose)), data = drugdose, pastenum)))V1
1   2
2   2
3   2
4 400
5   2
6  10

这样，我们就得到了字符串合并的数据框了，剩下的就是将这一列数据粘贴到我们的原始数据就OK了：

> head(cbind(examdata[, -c(3, 4)],
+ ldply(lapply(c(1:nrow(drugdose)), data = drugdose, pastenum))))ID          ORDER_NAME  V1
1 2559 输红细胞悬液2个单位   2
2 1945 输红细胞悬液2个单位   2
3 1846 输红细胞悬液2个单位   2
4 2478       输血浆(400ml) 400
5 2205 输红细胞悬液2个单位   2
6 1571    输血小板10个单位  10

这样，我们就实现了将含在字符串中的数字提取出来，并将其单独放入一列中。