使用dplyr/stringr按关键词优先级匹配赋值的报错求助

问题说明 #

• 需求：基于按严重程度排序的关键词列表severity <- c("kw1", "kw2", "kw3", "kw4", "kw5", "kw6")，遍历数据集的severity_string列，为每行匹配列表中优先级最高（最先出现）的关键词并赋值。
• 报错信息：运行dplyr+stringr代码时触发向量长度不匹配错误：

  Error in dplyr::mutate(): ℹ In argument: severity_kw = dplyr::case_when(...). 
  Caused by error in stringr::str_detect(): ! Can't recycle string (size 20) to match pattern (size 6)
  

测试数据集 #

用以下代码生成测试数据：

set.seed(123)
n <- 20
severity <- c("kw1", "kw2", "kw3", "kw4", "kw5", "kw6")
test_df <- tibble::tibble(
  id = 1:n,
  severity_string = sample(
    c(
      paste(sample(severity, sample(1:3, 1)), collapse = ", "),
      "no keyword",
      NA
    ),
    n,
    replace = TRUE
  )
)

报错原因 #

case_when中直接使用str_detect(severity_string, severity)会导致向量长度不匹配：severity_string是20行的列向量，severity是6个元素的关键词向量，stringr无法按预期实现"逐行匹配第一个优先级关键词"的逻辑，触发循环回收错误。

解决方案 #

推荐两种方法，优先选择方法1（效率更高）：

方法1：正则拼接+str_extract #

利用str_extract会返回第一个匹配结果的特性，将关键词列表拼接成正则表达式，一次性完成匹配：

library(dplyr)
library(stringr)

severity <- c("kw1", "kw2", "kw3", "kw4", "kw5", "kw6")

test_df <- test_df %>%
  mutate(
    severity_kw = str_extract(severity_string, str_c(severity, collapse = "|"))
  )

方法2：逐行遍历匹配（适合复杂逻辑） #

用purrr::map_chr逐行处理每行的severity_string，匹配优先级最高的关键词：

library(dplyr)
library(stringr)
library(purrr)

severity <- c("kw1", "kw2", "kw3", "kw4", "kw5", "kw6")

test_df <- test_df %>%
  mutate(severity_kw = map_chr(severity_string, function(x) {
    if (is.na(x)) return(NA_character_)
    # 找到所有匹配的关键词，取第一个（优先级最高）
    matched <- severity[str_detect(x, severity)]
    if (length(matched) == 0) NA_character_ else matched[1]
  }))

验证结果 #

运行上述代码后，severity_kw列会返回每行匹配到的最高优先级关键词，示例输出如下：

内容的提问来源于stack exchange，提问作者TDeramus