如何用R语言提取Excel列首字母大写单词并统计出现频率？

步骤1：读取数据并按逗号拆分指定列 #

先加载所需工具包，读取Excel文件后，将目标列的内容按逗号（含后续可选空格）分割为列表格式：

# 加载必要包
library(readxl)
library(stringr)
library(dplyr)

# 读取Excel数据，替换为你的文件路径
data <- read_excel("your_file_path.xlsx")

# 按逗号拆分指定列，生成存储拆分结果的列表列
data$split_desc <- str_split(data$`INITIAL SAMPLE DESCRIPTION`, ",\\s*")

步骤2：编写函数提取首字母大写单词 #

自定义函数，输入文本内容后提取所有首字母大写的单词，自动过滤空字符串：

extract_cap_words <- function(text) {
  str_extract_all(text, "\\b[A-Z]\\w*") |> 
    unlist() |> 
    Filter(f = \(x) x != "")
}

步骤3：生成每行对应的首字母大写单词列表 #

提供两种实现方式，按需选择：

方法1：用map批量处理（更简洁）

library(purrr)
data$cap_words_list <- map(data$split_desc, extract_cap_words)

方法2：用for循环实现

# 初始化空列表列
data$cap_words_list <- vector("list", nrow(data))

# 逐行处理拆分后的内容
for (i in 1:nrow(data)) {
  data$cap_words_list[[i]] <- extract_cap_words(data$split_desc[[i]])
}

步骤4：统计每个单词的出现频率 #

合并所有行的单词列表后统计频率，可转为数据框方便查看排序：

# 合并所有单词到一个向量
all_cap_words <- unlist(data$cap_words_list)

# 统计频率
word_freq <- table(all_cap_words)

# 转为数据框并按频率降序排列（可选）
word_freq_df <- as.data.frame(word_freq) |> 
  rename(单词 = all_cap_words, 频率 = Freq) |> 
  arrange(desc(频率))

print(word_freq_df)

关于你现有函数的说明 #

你当前使用的str_extract_all(data$INITIAL SAMPLE DESCRIPTION, "\\b[A-Z]\\w*") |> unique()存在两个问题：

• 未先按逗号拆分数据，直接提取整列内容的单词，会混淆同一单元格内的逗号分隔项
• unique()会直接去重，丢失单词的重复出现记录，无法统计真实频率

内容的提问来源于stack exchange，提问作者Oliwia Roszak