在R中识别逗号分隔颜色组重复项并合并计数的高效方法

原始数据集 #

sample_table = data.frame( 
  colors = c("red", "blue", "red,blue", "blue, red"), 
  counts = c(12, 10, 5,6)
)

输出结果：

colors counts
1       red     12
2      blue     10
3  red,blue      5
4 blue, red      6

需求说明 #

需要将颜色顺序不同的组合（比如blue, red和red, blue，以及多颜色组合如red, blue, green与green, blue, red）视为同一组，对其counts字段求和合并，最终得到如下结果：

colors counts
1      red     12
2     blue     10
3 red,blue     11

现有实现代码 #

你已手动实现需求，代码如下：

standardize_colors <- function(color_string) {
    colors <- unlist(strsplit(color_string,",\\s*"))
    return(paste(sort(colors), collapse = ","))
}

sample_table$standardized_colors <- sapply(sample_table$colors, standardize_colors)

aggregated_table <- aggregate(counts ~ standardized_colors, data = sample_table, sum)

print(aggregated_table)

更高效的实现方式 #

你的核心逻辑（拆分颜色字符串→排序→重组标准化字符串）是处理这类无序分组问题的通用正确方案，以下是几种更高效或更简洁的实现：

1. tidyverse工具链（dplyr + stringr） #

适合管道式操作场景，代码更简洁，大数据集下性能优于基础R的sapply：

library(tidyverse)

sample_table %>%
  mutate(
    standardized_colors = str_split(colors, ",\\s*") %>%
      map(sort) %>%
      map_chr(paste, collapse = ",")
  ) %>%
  group_by(standardized_colors) %>%
  summarise(counts = sum(counts)) %>%
  rename(colors = standardized_colors)

2. data.table（极致性能） #

针对百万行以上的大规模数据集，data.table的运行速度会显著优于基础R和tidyverse：

library(data.table)

setDT(sample_table)[, 
  standardized_colors := paste(sort(unlist(strsplit(colors, ",\\s*"))), collapse = ","),
  by = seq_len(nrow(sample_table))
][, .(counts = sum(counts)), by = standardized_colors][, 
  colors := standardized_colors][, standardized_colors := NULL][]

3. 基础R优化版 #

用vapply替代sapply，指定返回类型后性能略优且更安全：

standardize_colors <- function(color_string) {
  paste(sort(strsplit(color_string, ",\\s*")[[1]]), collapse = ",")
}

sample_table$standardized_colors <- vapply(sample_table$colors, standardize_colors, character(1))
aggregated_table <- aggregate(counts ~ standardized_colors, sample_table, sum)
colnames(aggregated_table)[1] <- "colors"

以上实现均保留了你核心的标准化逻辑，同时在代码简洁性或性能上做了优化，且都支持任意数量的颜色组合场景。

内容的提问来源于stack exchange，提问作者wulasa