使用R与dplyr处理动物观测数据时的变量匹配与赋值问题

一、先修复case_when导致数据类型异常的问题 #

你提到使用case_when后dt变为formula类型，核心原因是代码语法错误——比如case_when内条件未写完整、括号不匹配，或是%>%衔接逻辑出错。注意：data.table和dplyr可以混用，但需避免语法冲突，建议统一使用一种风格。

标准dplyr风格case_when写法 #

# 若dt是data.table，先转为tibble避免语法冲突
dt <- as_tibble(dt) %>%
  mutate(
    reino = case_when(
      # 优先写精确匹配条件，避免模糊匹配干扰
      especie == 'Ballena franca austral (Eubalaena australis)' ~ 'misticeto',
      # 其他须鲸类（misticeto）匹配
      especie %in% c('其他鲸种名称1', '其他鲸种名称2') ~ 'misticeto',
      # 海豚类（odontoceto）匹配
      especie %in% c('海豚种1', '海豚种2') ~ 'odontoceto',
      # 鳍足类（pinipede）匹配
      especie %in% c('鳍足类种1', '鳍足类种2') ~ 'pinipede',
      # 企鹅（penguin）匹配
      especie %in% c('企鹅种1', '企鹅种2') ~ 'penguin',
      # 兜底：未匹配项返回NA（可选）
      TRUE ~ NA_character_
    )
  )

二、解决特定鲸种匹配失败的问题 #

即便table(dt$especie)显示名称一致，仍可能存在隐形字符（前后空格、全角/半角空格、换行符），可按以下步骤排查修复：

1. 对比字符串字节数，确认是否有隐形字符：

# 查看数据中目标物种的字符串长度
nchar(dt$especie[dt$especie == 'Ballena franca austral (Eubalaena australis)'])
# 查看代码中手动输入的字符串长度
nchar('Ballena franca austral (Eubalaena australis)')

2. 若长度不一致，清洗字符串：

library(stringr)
# 清除前后空白字符
dt <- dt %>% mutate(especie = str_trim(especie))
# 替换全角空格为半角
dt <- dt %>% mutate(especie = str_replace_all(especie, '　', ' '))

3. 若精确匹配仍失效，用学名做模糊匹配兜底：

dt <- dt %>%
  mutate(
    reino = case_when(
      str_detect(especie, 'Eubalaena australis') ~ 'misticeto',
      # 其他条件...
    )
  )

三、修复分类错误问题 #

分类错误多因条件顺序不合理或匹配范围过宽：

• 把精确匹配的条件放在最前面，避免大类匹配覆盖小类；
• 禁止用过于宽泛的模糊匹配（比如仅匹配"Ballena"，可能误判其他含该词的物种）；
• 核对匹配列表：确认海豚、企鹅的物种名称未被误放入鲸类的匹配数组中。

四、data.table风格替代方案（避免语法冲突） #

若习惯用data.table，直接用其语法更高效：

# 创建匹配映射表
mapping <- data.table(
  especie = c('Ballena franca austral (Eubalaena australis)', '其他鲸种', '海豚种1', '企鹅种1'),
  reino = c('misticeto', 'misticeto', 'odontoceto', 'penguin')
)

# 用关联匹配赋值
dt <- dt[mapping, on = 'especie', reino := i.reino]

# 或直接按条件批量赋值
dt[, reino := 'pinipede'] # 先设默认值
dt[especie %in% c('Ballena franca austral (Eubalaena australis)', ...), reino := 'misticeto']
dt[especie %in% c('海豚种1', ...), reino := 'odontoceto']
dt[especie %in% c('企鹅种1', ...), reino := 'penguin']

五、快速排查流程 #

1. 清洗especie列的隐形字符；
2. 统一代码风格（选dplyr或data.table，避免混用）；
3. 调整条件顺序，精确匹配优先；
4. 用table(dt$especie, dt$reino)生成交叉表，快速定位错误分类的记录，检查对应especie值的拼写。

内容的提问来源于stack exchange，提问作者Érika Soares Coelho