问题描述
dput(t1)
structure(list(PMCID = c("PMC7809753","PMC7809753","PMC7790830","PMC7790830"),table = c("Table 1","Table 1","Table 1"),row = c(1L,2L,3L,4L,5L,1L,5L),text = c("Drug=Cytarabine (ara-C); Target=DNA polymerases; Influx=ENT1,CNT3,OCTN1; Metabolisma=Activation: dCK,dCMPK,NDK. Inactivation: CDA,dCMPD,PN-I.; Efflux=MRP4,7,8; Refs.=[14,30–33,78–80]","Drug=Daunorubicin (DNR); Target=DNA,Topoisomerase II; Influx=Passive diffusion; Efflux=P-gp,MRP1,BCRP; Refs.=[44,51,81–84]","Drug=Mitoxantrone (MX); Target=DNA,85–90]","Drug=etoposide (VP-16); Target=Topoisomerase II; Influx=Passive diffusion; Efflux=P-gp,MRP1-3,6,BCRP; Refs.=[16,91,92]","Drug=Methotrexate (MTX); Target=DHFR,TS,AICArft; Influx=RFC,PCFT; Metabolisma=Aldehyde oxidase,FPGS (polyglutamylation); Efflux=P-gp,MRP1-5,93,94]","Patients no.=1; Age (years)=45; Gender=M; FAB subtype=M2; Cell count(×109/l): WBC=30.1; Cell count(×109/l): HB=87; Cell count(×109/l): plt=9; BM Blast (%)=70.5; Karyotype=46,XX,t(8,21)(q22;q22)","Patients no.=2; Age (years)=41; Gender=F; FAB subtype=M5; Cell count(×109/l): WBC=14.58; Cell count(×109/l): HB=103; Cell count(×109/l): plt=62; BM Blast (%)=60.4; Karyotype=46,XX","Patients no.=3; Age (years)=49; Gender=M; FAB subtype=M4; Cell count(×109/l): WBC=4.84; Cell count(×109/l): HB=69; Cell count(×109/l): plt=100; BM Blast (%)=88; Karyotype=45,XY,-7","Patients no.=4; Age (years)=65; Gender=M; FAB subtype=M5; Cell count(×109/l): WBC=220; Cell count(×109/l): HB=85; Cell count(×109/l): plt=52; BM Blast (%)=86.8; Karyotype=46,XY","Patients no.=5; Age (years)=61; Gender=F; FAB subtype=M5; Cell count(×109/l): WBC=4.61; Cell count(×109/l): HB=71; Cell count(×109/l): plt=197; BM Blast (%)=32.4; Karyotype=46,XX"
)),row.names = c(NA,-10L),class = c("tbl_df","tbl","data.frame"
))
上面是我的示例数据框，看起来像这样
head(t1)
# A tibble: 6 x 4
PMCID table row text
<chr> <chr> <int> <chr>
1 PMC7809753 Table… 1 Drug=Cytarabine (ara-C); Target=DNA polymerases; Influx=ENT1,NDK.…
2 PMC7809753 Table… 2 Drug=Daunorubicin (DNR); Target=DNA,BCRP; Refs.=[…
3 PMC7809753 Table… 3 Drug=Mitoxantrone (MX); Target=DNA,…
4 PMC7809753 Table… 4 Drug=etoposide (VP-16); Target=Topoisomerase II; Influx=Passive diffusion; Efflux=P-gp,…
5 PMC7809753 Table… 5 Drug=Methotrexate (MTX); Target=DHFR,FPGS (polyglutam…
6 PMC7790830 Table… 1 Patients no.=1; Age (years)=45; Gender=M; FAB subtype=M2; Cell count(×109/l): WBC=30.1; Cell count(×109/l): HB=87; …
例如这篇论文 PMC7809753 paper 其输出在上面。在论文中，第一张表是“AML 中使用的化疗药物的特性”，看起来像这样。在我的数据框中，PMC7809753 ID 的表 1 重复了 5 次，这与我附上的上述图片相对应。
现在的问题是如何将特定 PMCID 的每个表解析为表格或列状结构，如论文中所示。
更新 根据我的 PMCID，我可以将每一行拆分为一个列表。
aa <- split(t1,f = t1$PMCID)
这给了我这个
$PMC7790830
# A tibble: 5 x 4
PMCID table row text
<chr> <chr> <int> <chr>
1 PMC7790830 Table… 1 Patients no.=1; Age (years)=45; Gender=M; FAB subtype=M2; Cell count(×109/l): WBC=30.1; Cell count(×109/l): HB=87; …
2 PMC7790830 Table… 2 Patients no.=2; Age (years)=41; Gender=F; FAB subtype=M5; Cell count(×109/l): WBC=14.58; Cell count(×109/l): HB=103…
3 PMC7790830 Table… 3 Patients no.=3; Age (years)=49; Gender=M; FAB subtype=M4; Cell count(×109/l): WBC=4.84; Cell count(×109/l): HB=69; …
4 PMC7790830 Table… 4 Patients no.=4; Age (years)=65; Gender=M; FAB subtype=M5; Cell count(×109/l): WBC=220; Cell count(×109/l): HB=85; C…
5 PMC7790830 Table… 5 Patients no.=5; Age (years)=61; Gender=F; FAB subtype=M5; Cell count(×109/l): WBC=4.61; Cell count(×109/l): HB=71; …
$PMC7809753
# A tibble: 5 x 4
PMCID table row text
<chr> <chr> <int> <chr>
1 PMC7809753 Table… 1 Drug=Cytarabine (ara-C); Target=DNA polymerases; Influx=ENT1,FPGS (polyglutam…
更新 v2
Convert duplicate rows to separate columns in R
library(splitstackshape)
library(data.table)
DT <- setDT(t1)[,do.call(paste,c(.SD,list(collapse=','))),PMCID]
DT1 <- cSplit(DT,'V1',sep='[,]+',fixed=FALSE,stripwhite=TRUE)
setnames(DT1,2:ncol(DT1),rep(names(t1)[-1],41))
DT1
所以问题仍然如上所示，我如何将与列表相对应的那些行分离和分离成列或某种表格形式，如图所示。
解决方法
我认为将 tidypmc 包与 europepmc 输出一起使用可能会有所帮助。以下是使用 pmc_table 从 PMC 文章中提取第一个表的示例。这也在 map 中使用 purrr 中的 tidyverse。
library(tidypmc)
library(tidyverse)
library(europepmc)
doc <- map("PMC7809753",epmc_ftxt)
tbls <- pmc_table(doc[[1]])
tbls[[1]]
输出
# A tibble: 7 x 6
Drug Target Influx Metabolisma Efflux Refs.
<chr> <chr> <chr> <chr> <chr> <chr>
1 Cytarabine (Ara-C) DNA polymerases ENT1,CNT3,OCTN1 "Activation: dCK,dCMPK,NDK. Inactivation… MRP4,7,8 [14,30–33,…
2 Daunorubicin (DNR) DNA,Topoisomer… Passive diffusion "" P-gp,MRP1,… [44,51,81–…
3 Mitoxantrone (MX) DNA,B… [44,85–90]
4 Etoposide (VP-16) Topoisomerase II Passive diffusion "" P-gp,MRP1-3,… [16,91,92]
5 Methotrexate (MTX) DHFR,TS,AICAR… RFC,PCFT "Aldehyde oxidase,FPGS (polyglutamylation… P-gp,MRP1-5,93,94]
6 Venetoclax (VEN) Bcl-2 Passive diffusion "" P-gp [72,95]
7 Gemtuzumab Ozogami… DNA Ab-mediated endo… "Lysosomal Calicheamicin cleavage from Ab,… P-gp,MRP1 [73,77]
编辑 (1/30/21)：要为多篇文章自动执行此过程（并根据您的其他问题和方法），请考虑以下事项。
您可以拥有一个包含 pmcids 的向量，并将其与 map 一起使用。这将创建 docs，其中包含所有 pmcids 文章的所有 xml。
然后您可以再次使用 map 将所有表存储在 my_tables 中，这将是一个列表。
b <-epmc_search(query = 'cytarabine aml OPEN_ACCESS:Y',limit = 6)
pmcids <- b$pmcid[b$isOpenAccess=="Y"]
docs <- map(pmcids,epmc_ftxt)
my_tables <- map(docs,pmc_table)
然后您可以通过以下方式访问，例如，文章 2 表 1：
my_tables[[2]][[1]]
编辑 (1/31/21)： 要将每篇文章的名称设置为 PMCID，您可以使用 set_names，并使用 %>% 和 {{ 1}}。 map 将为您的矢量添加名称。当您调用此函数但不提供其他名称时，它将使用矢量元素作为名称。例如：
set_names之后您可以单独调用 docs <- pmcids %>%
set_names() %>%
map(.,epmc_ftxt)
，如果只对表格感兴趣，而不是对完整文档感兴趣，甚至可以将其添加到链中（将整个内容存储为 my_tables <- map(docs,pmc_table)）。
最终，您可以像这样使用 PMCID 访问单个表：
my_tables