在R语言中将文本变量拆分为二元变量的实现方法

算力阿峰

2026-6-30

需求说明

我有一份患者级数据，其中category_name_en列存储了患者特征。实际仅存在17种独立特征，但由于多数患者同时具备多个特征（用|分隔），导致该列出现了600余种唯一组合。我需要将这些特征拆分为单独的列，用Yes/No二元变量标记患者是否具备对应特征，解决组合过多的问题。

示例数据框（sample_df）

structure(list(category_name_en = c("Chronic Heart Disease | Genetic Blood Disorders (including Sickle Cell Anemia) | Diabetes", 
"Chronic Heart Disease | Diabetes | Pregnancy", "Chronic Heart Disease | Chronic Liver Disease | Diabetes", 
"Elderly ≥ 55 years old | Chronic Obstructive Pulmonary Disease (including Asthma) | Acquired or Genetic Immunodeficiency  Disorders", 
"(Dialysis (Failure Kid | Diabetes | Chronic Obstructive Pulmonary Disease (including Asthma)", 
"Chronic Obstructive Pulmonary Disease (including Asthma) | Elderly ≥ 55 years old | Diabetes", 
"Genetic Blood Disorders (including Sickle Cell Anemia) | Chronic Heart Disease | Elderly ≥ 55 years old", 
"Chronic Heart Disease | Genetic Blood Disorders (including Sickle Cell Anemia) | Diabetes | Elderly ≥ 55 years old | Neurological Disease", 
"Elderly = 55 years old | Diabetes | Genetic Blood Disorders (including Sickle Cell Anemia)", 
"Pregnancy | Chronic Obstructive Pulmonary Disease (including Asthma)", 
"Healthcare practitioners | Healthy Client | Diabetes", "Chronic Heart Disease | Elderly ≥ 55 years old |  (Dialysis (Failure Kid", 
"Healthy Client | Elderly = 55 years old | Pregnancy", "Chronic Obstructive Pulmonary Disease (including Asthma) | Acquired or Genetic Immunodeficiency  Disorders", 
"Chronic Heart Disease | Elderly ≥ 55 years old | Diabetes", 
"Elderly ≥ 55 years old | Chronic Heart Disease | Diabetes | Chronic Obstructive Pulmonary Disease (including Asthma)", 
"Elderly ≥ 55 years old | Chronic Obstructive Pulmonary Disease (including Asthma) | Chronic Heart Disease | Chronic Liver Disease | Diabetes", 
"Chronic Heart Disease | Diabetes | Healthcare practitioners", 
"Cancer | Elderly ≥ 55 years old | Acquired or Genetic Immunodeficiency  Disorders", 
"Chronic Obstructive Pulmonary Disease (including Asthma) | Cancer | Diabetes | Chronic Heart Disease"
), patid = c(428L, 625L, 149L, 356L, 393L, 444L, 618L, 622L, 
488L, 289L, 130L, 335L, 522L, 284L, 39L, 187L, 391L, 663L, 653L, 
563L)), class = "data.frame", row.names = c(NA, -20L))

期望输出格式

每个唯一特征作为单独列，用Yes/No标记患者是否具备该特征：

patid	慢性心脏病	遗传性血液疾病（含镰状细胞贫血）	糖尿病	妊娠	慢性肝病	55岁及以上	慢性阻塞性肺疾病（含哮喘）	获得性或遗传性免疫缺陷疾病	透析（肾功能衰竭）	神经系统疾病	医护人员	健康人群	55岁	癌症
428	Yes	Yes	Yes	No	No	No	No	No	No	No	No	No	No	No
625	Yes	No	Yes	Yes	No	No	No	No	No	No	No	No	No	No
149	Yes	No	Yes	No	Yes	No	No	No	No	No	No	No	No	No
...	...	...	...	...	...	...	...	...	...	...	...	...	...	...

解决方案（R语言）

使用tidyverse工具集的separate_rows和pivot_wider函数即可实现需求，步骤如下：

加载依赖包

library(tidyverse)

拆分特征并转换为宽格式

# 拆分|分隔的特征，每行保留单个特征，同时去除特征前后空格
split_df <- sample_df %>%
  separate_rows(category_name_en, sep = "\\|") %>%
  mutate(category_name_en = str_trim(category_name_en)) %>%
  mutate(has_feature = "Yes")

# 转换为宽格式，缺失特征标记为No
result_df <- split_df %>%
  pivot_wider(
    id_cols = patid,
    names_from = category_name_en,
    values_from = has_feature,
    values_fill = list(has_feature = "No")
  )

可选：简化特征名称
如果需要去掉特征名称中的冗余说明（如括号内的补充内容），可以在拆分后添加名称处理步骤：

split_df <- sample_df %>%
  separate_rows(category_name_en, sep = "\\|") %>%
  mutate(category_name_en = str_trim(category_name_en)) %>%
  # 移除括号及内部内容
  mutate(category_name_en = str_remove(category_name_en, "\\s*\\(.*\\)")) %>%
  mutate(has_feature = "Yes")

运行上述代码后，result_df即为符合要求的输出格式。

内容的提问来源于stack exchange，提问作者abrar_r

patid	慢性心脏病	遗传性血液疾病（含镰状细胞贫血）	糖尿病	妊娠	慢性肝病	55岁及以上	慢性阻塞性肺疾病（含哮喘）	获得性或遗传性免疫缺陷疾病	透析（肾功能衰竭）	神经系统疾病	医护人员	健康人群	55岁	癌症
428	Yes	Yes	Yes	No	No	No	No	No	No	No	No	No	No	No
625	Yes	No	Yes	Yes	No	No	No	No	No	No	No	No	No	No
149	Yes	No	Yes	No	Yes	No	No	No	No	No	No	No	No	No
...	...	...	...	...	...	...	...	...	...	...	...	...	...	...

patid	慢性心脏病	遗传性血液疾病（含镰状细胞贫血）	糖尿病	妊娠	慢性肝病	55岁及以上	慢性阻塞性肺疾病（含哮喘）	获得性或遗传性免疫缺陷疾病	透析（肾功能衰竭）	神经系统疾病	医护人员	健康人群	55岁	癌症
428	Yes	Yes	Yes	No	No	No	No	No	No	No	No	No	No	No
625	Yes	No	Yes	Yes	No	No	No	No	No	No	No	No	No	No
149	Yes	No	Yes	No	Yes	No	No	No	No	No	No	No	No	No
...	...	...	...	...	...	...	...	...	...	...	...	...	...	...

在R语言中将文本变量拆分为二元变量的实现方法

示例数据框（sample_df） #

期望输出格式 #

示例数据框（sample_df）

期望输出格式

patid	慢性心脏病	遗传性血液疾病（含镰状细胞贫血）	糖尿病	妊娠	慢性肝病	55岁及以上	慢性阻塞性肺疾病（含哮喘）	获得性或遗传性免疫缺陷疾病	透析（肾功能衰竭）	神经系统疾病	医护人员	健康人群	55岁	癌症
428	Yes	Yes	Yes	No	No	No	No	No	No	No	No	No	No	No
625	Yes	No	Yes	Yes	No	No	No	No	No	No	No	No	No	No
149	Yes	No	Yes	No	Yes	No	No	No	No	No	No	No	No	No
...	...	...	...	...	...	...	...	...	...	...	...	...	...	...