在R语言中基于分组列提取多列逗号分隔值的唯一值

原始数据集 #

group     X                 Y                   Z
A         cat, dog          dog, fox        
A         fox, chicken      dog, fox, chicken
A
B         fox, dog 
B         fox
B                                               bunny

需求 #

按group列分组，汇总X、Y、Z三列中的所有唯一动物，得到如下结果：

group     animal
A         cat, dog, fox, chicken
B         bunny, dog, fox

动物顺序无关，只要是唯一值即可。

尝试过的错误方法 #

1. 仅处理单列时产生大量NA：

df %>%  
group_by(group) %>% 
separate_rows("X", sep=",")   %>%  
distinct %>%    
summarise(X = toString(X)) 

2. 仅适用于数值变量，无法处理当前场景：

df %>%   group_by(group) %>%   summarise_at(vars("X","Y","Z"), sum)

正确实现方法 #

可以结合tidyr的pivot_longer将多列转为长格式，再统一处理逗号分隔值，最后去重汇总：

library(dplyr)
library(tidyr)

df %>%
  pivot_longer(cols = c(X, Y, Z), names_to = "col", values_to = "animal") %>%
  separate_rows(animal, sep = ",\\s*") %>%  # 匹配逗号及后续空格，避免拆分出带空格的动物名
  filter(!is.na(animal), animal != "") %>%  # 过滤空值与NA
  group_by(group) %>%
  distinct(animal) %>%
  summarise(animal = toString(animal))

代码说明 #

• pivot_longer：将X/Y/Z三列合并为单列，统一处理所有动物值
• separate_rows：把每个单元格内的逗号分隔值拆分为单独行
• filter：清除无效的空值和NA，避免干扰结果
• distinct(animal)：在分组内保留唯一的动物条目
• summarise：将分组内的唯一动物用逗号连接为字符串

内容的提问来源于stack exchange，提问作者Gabriel G.