使用dplyr移除数据列字符串中无关个体并清除空引号痕迹

我有一个记录个体观测数据的数据集，individuals列中有时会混入无明确组属的个体。我希望移除这些个体，但使用现有方法后，原位置会留下空引号""，需要实现移除无关个体且不留下空引号痕迹的处理。

各组所属个体定义：

groupA = c("Noir", "Bleue", "Rouge")  
groupB = c("Dion", "Saphir", "Chapman")  
groupC= c("Murray", "Nile", "Mississippi")  

正常数据示例：

group  date         time   individuals  
A      1/1/2016     9:00   "Noir", "Bleue", "Rouge"  
B      1/1/2016     9:00   "Dion", "Saphir", "Chapman"  
C      1/1/2016     9:00   "Murray", "Nile", "Mississippi"  

混入无关个体的数据示例（InconnuA、InconnuB、Inconnu1为无组属个体）：

group  date         time   individuals  
A      2/1/2016     9:00   "Noir", "Bleue", "InconnuA"  
B      2/1/2016     9:00   "Dion", "Saphir", "InconnuB"  
C      2/1/2016     9:00   "Murray", "Nile", "Inconnu1"  

我使用以下代码移除个体，但结果中出现了空引号：

IndividualsRemoved <- partycompfocal_GroupingID %>%   
  mutate(across("individuals", str_replace, "InconnuA", ""),  
         across("individuals", str_replace, "InconnuB", ""),  
         across("individuals", str_replace, "Inconnu1", ""),  
         across("individuals", str_replace, "Inconnu2", ""),  
         across("individuals", str_replace, "Inconnu3", ""),  
         )

处理后的数据结果：

group  date         time   individuals  
 A      2/1/2016     9:00   "Noir", "Bleue", ""  
 B      2/1/2016     9:00   "Dion", "Saphir", ""  
 C      2/1/2016     9:00   "Murray", "Nile", ""  

期望得到的最终结果：

group  date         time   individuals  
A      2/1/2016     9:00   "Noir", "Bleue"  
B      2/1/2016     9:00   "Dion", "Saphir"  
C      2/1/2016     9:00   "Murray", "Nile"  

之前用str_replace直接替换为空字符串，只会删除目标个体的内容，但保留了引号和前后的逗号，导致空引号残留。下面提供两种可行的解决方法：

方法一：按组筛选合法个体（更严谨） #

利用group列的值匹配对应组的合法个体列表，拆分字符串后筛选再重新拼接，彻底去掉无关个体：

library(dplyr)
library(stringr)

# 把各组整合为列表，方便按组匹配
group_list <- list(
  A = groupA,
  B = groupB,
  C = groupC
)

IndividualsRemoved <- partycompfocal_GroupingID %>%
  rowwise() %>%
  mutate(
    # 拆分individuals列：去掉引号，按逗号+空格分割为单个个体
    indiv_list = str_split(str_remove_all(individuals, '"'), ",\\s*")[[1]],
    # 根据当前group筛选属于该组的合法个体
    valid_indiv = list(intersect(indiv_list, group_list[[group]])),
    # 重新拼接成带引号的标准格式
    individuals = if(length(valid_indiv) > 0) {
      str_c('"', str_c(valid_indiv, collapse = '", "'), '"')
    } else {
      ""  # 无合法个体时留空，可按需调整
    }
  ) %>%
  ungroup() %>%
  select(-indiv_list, -valid_indiv)  # 删除中间辅助列

方法二：正则匹配删除无关个体（更快捷） #

如果已知所有无关个体以Inconnu开头，可以用正则匹配整个带引号的无关个体，同时处理残留的逗号：

library(dplyr)
library(stringr)

IndividualsRemoved <- partycompfocal_GroupingID %>%
  mutate(
    # 匹配带引号的Inconnu开头个体，包含前后可能的逗号和空格
    individuals = str_replace_all(individuals, '(,\\s*)?"Inconnu[^"]+"(,\\s*)?', function(match) {
      # 处理替换后多余的逗号：去掉开头或结尾的逗号+空格
      str_remove_all(match, '(^,\\s*)|(,\\s*$)')
    }),
    # 清理开头/结尾可能残留的逗号
    individuals = str_trim(str_remove_all(individuals, '^,|,$'), whitespace = ",\\s*")
  )

两种方法对比 #

• 方法一：基于合法个体列表筛选，不管无关个体叫什么，只要不在合法列表里都会被移除，适合后续可能新增无关个体的场景。
• 方法二：依赖无关个体的命名规则，处理速度更快，但如果无关个体命名不统一，可能出现漏处理。

内容的提问来源于stack exchange，提问作者MIGUEL