如何使用R Validate包定位每行数据违反的校验规则？

我正在用R的Validate包处理野外录入数据及历史杂乱数据的QC工作，已经掌握validator()编写规则、confront()统计违规次数、violating()查看违规行的基础操作，但需要明确哪些规则在哪些行被违反——实际数据集包含50+变量及更多规则，单一行可能违反多条规则。

现有示例代码：

# 示例数据集
plot <- 1:4
DBH <- c(1.1, 2, 0.7, 3.2)
df <- data.frame(plot, DBH)

# 编写规则：DBH必须≥1
rule <- validator(DBH >= 1)

# 校验数据集
x <- confront(df, rule)
summary(x)

# 查看违规行
y <- violating(df, rule)
y

需求：将违规行与违反的具体规则关联，比如在输出中添加列标注该行违反的规则（已了解可为规则添加名称和描述，需整合到输出）。

解决方案 #

核心思路 #

给每条规则命名，通过confront()的结果转换为结构化数据，再与原数据集合并，最终提取每行对应的违规规则。以下提供两种常用方法：

方法1：生成宽格式结果，每行展示所有违规规则 #

适合快速查看单条记录的所有违规项：

# 1. 给规则添加名称（可同时添加描述）
rules <- validator(
  dbh_min = DBH >= 1 ~ "胸径不能小于1cm",
  dbh_max = DBH <= 3 ~ "胸径不能大于3cm",
  plot_pos = plot > 0 ~ "样地编号必须为正整数"
)

# 2. 执行校验并转换为数据框（每行对应每条规则的通过/违规状态）
validation_result <- as.data.frame(confront(df, rules))

# 3. 合并原数据与校验结果，提取违规明细
library(dplyr)
violation_detail <- cbind(df, validation_result) %>%
  rowwise() %>%
  # 拼接该行所有违规的规则名称
  mutate(violated_rules = paste(names(validation_result)[c_across(all_of(names(validation_result))) == FALSE], collapse = ", ")) %>%
  # 筛选出有违规的行
  filter(violated_rules != "") %>%
  ungroup()

# 查看结果
violation_detail

输出示例：

plot DBH dbh_min dbh_max plot_pos violated_rules
1    3 0.7   FALSE    TRUE     TRUE        dbh_min
2    4 3.2    TRUE   FALSE     TRUE        dbh_max

方法2：生成长格式结果，每条违规记录单独一行 #

适合批量统计、分析所有违规项（尤其一行违反多条规则时）：

# 1. 使用命名后的规则
rules <- validator(
  dbh_min = DBH >= 1,
  dbh_max = DBH <= 3,
  plot_pos = plot > 0
)

# 2. 执行校验并转为长格式
validation_long <- as.data.frame(confront(df, rules)) %>%
  mutate(row_id = row_number()) %>%
  tidyr::pivot_longer(
    cols = -row_id,
    names_to = "rule_name",
    values_to = "is_compliant"
  ) %>%
  filter(!is_compliant)

# 3. 合并原数据与违规记录
violation_long <- df %>%
  mutate(row_id = row_number()) %>%
  inner_join(validation_long, by = "row_id") %>%
  select(-row_id, -is_compliant)

# 查看结果
violation_long

输出示例：

plot DBH rule_name
1    3 0.7    dbh_min
2    4 3.2    dbh_max

补充说明 #

• 若需要展示规则描述，可通过rule_descriptions(rules)获取规则名称与描述的对应表，再合并到结果中；
• 对于大型数据集，两种方法均能高效处理，长格式更便于后续的违规规则统计或可视化。

内容的提问来源于stack exchange，提问作者Emily