如何在R语言中将多关键词观测匹配到预定义类别？

1. 先明确数据结构示例 #

先构造和你的场景对应的示例数据，方便你对应自己的数据集调整：

# 输入数据集：每条观测对应多个关键词（用逗号分隔）
input.df <- data.frame(
  观测ID = c("S1", "S2", "S3", "S4"),
  关键词 = c("雪, 寒风, 圣诞", "冰雕, 雪", "圣诞, 寒风", "沙滩, 烈日, 冰淇淋"),
  stringsAsFactors = FALSE
)

# 预定义类别数据集：类别对应关键词集合
season.df <- data.frame(
  类别 = c("Winter", "Summer"),
  关键词集 = c("雪,寒风,圣诞,冰雕", "沙滩,烈日,冰淇淋,冲浪"),
  stringsAsFactors = FALSE
)

2. 核心匹配逻辑 #

判断每条观测的关键词中是否存在至少一个属于某预定义类别的关键词，匹配到对应的类别；若存在多类别匹配，可根据需求返回首个匹配、所有匹配或设置优先级。

3. 具体实现方法 #

方法一：Tidyverse生态（dplyr + stringr） #

适合习惯tidyverse操作的用户，代码可读性强：

# 加载所需包
library(dplyr)
library(stringr)

# 将season.df的关键词集拆分为字符向量列表
season.df <- season.df %>%
  mutate(关键词列表 = str_split(关键词集, ",\\s*"))

# 定义匹配函数：返回首个匹配的类别，无匹配则返回NA
match_category <- function(keywords, season_df) {
  keywords_vec <- str_split(keywords, ",\\s*")[[1]]
  for (i in 1:nrow(season_df)) {
    if (any(keywords_vec %in% season_df$关键词列表[[i]])) {
      return(season_df$类别[i])
    }
  }
  return(NA)
}

# 对input.df每条观测应用匹配函数
input.df <- input.df %>%
  mutate(匹配类别 = sapply(关键词, match_category, season_df = season.df))

方法二：Base R实现（无需额外包） #

适合不想加载第三方包的场景：

# 将season.df的关键词集拆分为字符向量列表
season.df$关键词列表 <- strsplit(season.df$关键词集, ",\\s*")

# 定义匹配函数
match_category_base <- function(keywords, season_df) {
  keywords_vec <- strsplit(keywords, ",\\s*")[[1]]
  for (i in seq(nrow(season_df))) {
    if (any(keywords_vec %in% season_df$关键词列表[[i]])) {
      return(season_df$类别[i])
    }
  }
  return(NA)
}

# 应用匹配函数到输入数据
input.df$匹配类别 <- sapply(input.df$关键词, match_category_base, season_df = season.df)

4. 大型数据集优化方案 #

如果你的input.df数据量极大，循环方法效率较低，可采用长表连接法实现向量化操作，提升速度：

library(tidyr)
library(dplyr)

# 将输入数据的关键词拆分为多行
input_long <- separate_rows(input.df, 关键词, sep = ",\\s*")
# 将类别数据的关键词集拆分为多行
season_long <- separate_rows(season.df, 关键词集, sep = ",\\s*")

# 匹配关键词并聚合结果
matched_categories <- inner_join(input_long, season_long, by = c("关键词" = "关键词集")) %>%
  distinct(观测ID, 类别) %>%
  group_by(观测ID) %>%
  summarise(匹配类别 = paste(类别, collapse = ", "))

# 将匹配结果合并回原输入数据
input.df <- left_join(input.df, matched_categories, by = "观测ID")

特殊场景处理 #

• 多类别匹配：若需返回所有匹配类别，可修改聚合逻辑（如paste(类别, collapse = ", ")）；若需按优先级匹配，调整season.df的行顺序即可（函数会返回首个匹配的类别）。
• 无匹配观测：默认返回NA，可根据需求替换为自定义文本（如"未匹配"）。

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