基于查找表在R数据框中替换子字符串的dplyr流水线方案

问题背景 #

有一个大型R数据框，其中glt.phylogeny列存储着以分号分隔的代码字符串（单个或多个），示例数据如下：

library(dplyr)

# 原始数据框示例
df <- tibble(
  glt.code = c("adha1238", "adiv1239", "adiw1235", "aerr1238"),
  glt.phylogeny = c("adha1238", "adiv1239", "adiw1235", "jikr1238;jikr1238;aerr1238")
)

另有一个查找表，存储了代码与对应名称的映射关系：

# 查找表示例
lookup <- tibble(
  code = c("adha1238", "adiv1239", "adiw1235", "aerr1238", "jikr1238"),
  name = c("Adhari", "Kotia-Adivasi Oriya-Desiya", "Adiwasi Garasia", "Aer", "Jikrio Aer"),
  level = c("language", "language", "language", "language", "dialect")
)

需要将glt.phylogeny列中的每个代码替换为查找表中对应的name值，最终得到如下结果：

# 期望输出
# # A tibble: 4 × 2
#   glt.code glt.phylogeny.names                   
#   <chr>    <chr>                                 
# 1 adha1238 Adhari                                
# 2 adiv1239 Kotia-Adivasi Oriya-Desiya            
# 3 adiw1235 Adiwasi Garasia                       
# 4 aerr1238 Jikrio Aer;Jikrio Aer;Aer

可扩展的dplyr解决方案 #

使用拆分-关联-聚合的流水线方式，避免字符串替换的潜在匹配错误，同时适配大规模数据处理：

library(tidyr)
library(stringr)

df_processed <- df %>%
  # 将分号分隔的代码拆分为单独行
  separate_rows(glt.phylogeny, sep = ";") %>%
  # 关联查找表，匹配对应名称
  left_join(lookup %>% select(code, name), by = c("glt.phylogeny" = "code")) %>%
  # 按原始分组，重新拼接名称为分号分隔的字符串
  group_by(glt.code) %>%
  summarise(glt.phylogeny.names = str_c(name, collapse = ";"), .groups = "drop")

# 查看结果
df_processed

方案优势 #

• 精准匹配：通过行拆分与关联操作，彻底避免代码子串匹配错误的问题
• 可扩展性强：只需修改sep参数即可适配其他分隔符，新增映射规则直接更新查找表即可
• 性能友好：基于tidyverse的向量化操作，适合处理大规模数据集

内容的提问来源于stack exchange，提问作者Moehrengulasch