1:1病例对照匹配的Python实现步骤详解

这周接到一个活，因为某个课题研究需要，须把脑卒中患者的名单和一份健康人（对照）名单按照”性别相同，乡镇地址相同，年龄相差3岁以内“作为匹配条件进行1:1的匹配，现将思考及实现的过程逐一记录并在此分享，希望能给大家有所借鉴与帮助。

拿到这份数据后首要的工作是熟悉数据和提取关键信息。这两份数据都是保存于Excel中的单表结构的数据（没有复杂的表关联），脑卒中患者1300多条，健康人8200多条，做1:1匹配绰绰有余；主索引采用身份证号，关键信息有”姓名、性别、年龄和乡镇地址“。然后考虑输出的结果的格式，Excel，表单中列入脑卒中患者的全部数据，最后增加一列存放匹配的对照者身份证号。

接下来开始动手编程，第一步引用pandas导入数据。其中路径前的"r"和中文前的"u"不可少，可能是因为我还在用Python2的关系。

# -*- coding: gbk -*-
#!/usr/bin/env python
# __author__ = 'PanJin'

import pandas as pd
case=pd.read_excel(r'D:\并发症数据库(实验室检测筛选）.xls',sheet_name=u'心脑')
ctrl=pd.read_excel(r'D:\并发症数据库(实验室检测筛选）.xls',sheet_name=u'对照（不包含肿瘤）')

动手分析之前一直有个担心，作为索引的身份证号是否会有重复的记录，果然我的担心应验了，查重发现健康个案的身份证号有4组是重复的（在Excel里用公式查的，所以没有上代码），同时发现8000多人中有部分因为失访，检查结果有大量缺失，于是和重复的身份证号进行了删除。（代码中的身份证号进行了脱敏处理）

ctrl_=ctrl[(ctrl.sfzh !='33042119320221####') & (ctrl.sfzh !='33072219560522####') & (ctrl.sfzh !='33042119381031####') & (ctrl.sfzh !='33042119390824####') & (ctrl.HDLC2 !='#NULL!')]

刚开始打算用pandas里的merge直接解决战斗的，但是发现问题想的太简单了，因为根据匹配条件”性别相同，乡镇地址相同，年龄相差3岁以内“，直接merge的结果一定会有很多一对多甚至多对多的笛卡尔积产生，而对这些笛卡尔积好像没有太好的自动化处理方案，因此我在开始就放弃了这种尝试。所以我的计划是采用Python里的for循环来解决。

解题思路如下：

首先从脑卒中患者清单中取第一条，在健康对照中按条件匹配所有适合的名单，然后取第一条（或者调用random函数来随机一下），已匹配的健康对照从大名单中删除，然后进行再取第二条脑卒中患者重复以上过程直至循环到最后。最终将形成3个名单，1.匹配完成名单；2.患者未匹配名单；3.健康对照未匹配名单。

另外考虑匹配优化的问题，我把这个循环分成了两轮，第一轮中匹配条件为”性别相同，乡镇地址相同，年龄相等“，第二轮中为”性别相同，