基于R从长数据中按条件提取指定字符串并计算占比及可视化

针对你的需求，我们可以用tidyverse工具链完成数据处理与可视化，步骤如下：

1. 加载依赖包 #

先加载处理数据和绘图所需的包：

library(tidyverse)

2. 数据处理：提取关键词并计算占比 #

假设你的长格式数据框为corpus_data，包含tag（语料库类别）和text（单条文本内容）两列。

场景1：按文本条目统计占比（包含目标词的文本数/该语料库总文本数） #

先筛选出包含"apple"或"melon"的文本，标记对应的关键词，再结合各语料库的总文本数计算占比：

# 筛选并标记关键词
keyword_records <- corpus_data %>%
  mutate(keyword = case_when(
    str_detect(text, fixed("apple")) ~ "apple",
    str_detect(text, fixed("melon")) ~ "melon",
    TRUE ~ NA_character_
  )) %>%
  drop_na(keyword)

# 计算占比
ratio_df <- keyword_records %>%
  count(tag, keyword, name = "match_count") %>%
  left_join(
    corpus_data %>% count(tag, name = "total_records"),
    by = "tag"
  ) %>%
  mutate(ratio = match_count / total_records)

场景2：按词频统计占比（目标词出现总次数/该语料库总词数） #

如果需要统计词级别的占比，先拆分文本为单个词语，再计算占比：

# 拆分文本并统计词频
word_freq_df <- corpus_data %>%
  unnest_tokens(word, text) %>%
  mutate(keyword = case_when(
    word == "apple" ~ "apple",
    word == "melon" ~ "melon",
    TRUE ~ NA_character_
  )) %>%
  drop_na(keyword)

# 计算词频占比
word_ratio_df <- word_freq_df %>%
  count(tag, keyword, name = "keyword_freq") %>%
  left_join(
    corpus_data %>% 
      unnest_tokens(word, text) %>% 
      count(tag, name = "total_words"),
    by = "tag"
  ) %>%
  mutate(ratio = keyword_freq / total_words)

3. 绘制占比对比条形图 #

用ggplot2绘制分组条形图，直观对比两个关键词在各语料库的占比：

# 用场景1的ratio_df，场景2替换为word_ratio_df即可
ggplot(ratio_df, aes(x = tag, y = ratio, fill = keyword)) +
  geom_col(position = position_dodge(width = 0.8), width = 0.7) +
  # 添加百分比标签
  geom_text(aes(label = scales::percent(ratio, accuracy = 0.1)),
            position = position_dodge(width = 0.8),
            vjust = -0.3, size = 3.5) +
  # y轴设为百分比格式
  scale_y_continuous(labels = scales::percent, limits = c(0, max(ratio_df$ratio)*1.1)) +
  labs(title = "Apple与Melon在各语料库中的占比对比",
       x = "语料库类别",
       y = "占比",
       fill = "关键词") +
  theme_minimal()

这段代码会生成分组条形图，每个语料库下对应两个条形，分别展示"apple"和"melon"的占比，同时在条形上方标注具体百分比，清晰完成对比需求。

内容的提问来源于stack exchange，提问作者pindakazen