多列分别关联crosswalk并统计分类计数的高效实现方法问询

1. 关联目标变量与crosswalk数据集 #

无需使用for循环，借助tidyverse工具即可高效完成：

实现步骤： #

• 筛选出不含no_interest的目标变量
• 为每个目标变量生成对应的分类列
• 将分类列与原数据集合并

library(tidyverse)

# 模拟数据
df <- data.frame(var1 = c("AC", "AG", "VG", "HH", "AE"),
                 var2_no_interest = c("AF", "FF", NA, NA, NA),
                 var3 = c("AF", "EF", "TT", "ER", NA),
                 var4_no_interest = c("AA", "ER", "AF", "LL", "OP"),
                 var5 = c("HH", "LL", "TT", NA, NA))

crosswalk <- data.frame(Code = c("AG", "HH", "EF", "TT"),
                        Category = c("MBD1", "MBD2", "MBD3", "MBD4"))

# 1. 识别目标变量（排除含no_interest的列）
target_vars <- names(df)[!str_detect(names(df), "no_interest")]

# 2. 生成对应的分类列
category_cols <- map_dfc(target_vars, function(var) {
  # 提取变量名中的数字，用于命名分类列
  var_num <- str_extract(var, "\\d+")
  # 匹配crosswalk获取分类
  df %>%
    select(all_of(var)) %>%
    left_join(crosswalk, by = setNames("Code", var)) %>%
    select(Category) %>%
    rename(!!paste0("cat_", var_num) := Category)
})

# 3. 合并原数据与分类列
merged_df <- bind_cols(df, category_cols)

执行后merged_df将包含原所有变量，以及cat_1、cat_3、cat_5等分类列。

2. 统计各Category出现次数 #

通过重塑数据格式后统计，无需循环：

# 统计分类出现次数
count_result <- merged_df %>%
  # 选择所有分类列
  select(starts_with("cat_")) %>%
  # 转换为长格式
  pivot_longer(everything(), values_to = "Category") %>%
  # 去除NA值
  drop_na(Category) %>%
  # 统计次数
  count(Category, name = "Counts") %>%
  # 按分类排序
  arrange(Category)

print(count_result)

输出结果：

Category Counts
1     MBD1      1
2     MBD2      2
3     MBD3      1
4     MBD4      2

效率说明 #

• 避免了for循环，使用tidyverse的向量化操作和函数式编程，处理10个目标变量时速度更快且代码更易维护
• 即使数据集变量数量超过100，只要目标变量仅10个，该方法依然高效

内容的提问来源于stack exchange，提问作者shollaback