R语言大数据集下Inv_name列与Firma列人名部分匹配次数统计及代码问题求助

咱们先梳理下你遇到的问题：原代码出现未初始化列的警告，且tmpName返回NA，导致匹配统计失效。下面一步步修复并优化你的代码：

原代码的核心问题分析 #

• 未初始化目标列：直接给df1$count2[i]赋值，但count2列还没在数据框中创建，所以触发警告
• 变量名不一致：你提供的数据集是df，但代码里用的是df1，这会导致找不到数据
• 人名处理逻辑缺陷：拆分后的头衔（如Prof. Dr.）处理不彻底，且矩阵格式的拆分结果未正确转为向量，引发NA问题

修复后的代码（循环版本） #

首先我们先修正基础问题，再优化人名匹配逻辑：

library(stringr)
library(dplyr)

# 先复制数据集，避免修改原数据
df_processed <- df

# 初始化count2列，避免未初始化警告
df_processed$count2 <- 0

for (i in 1:nrow(df_processed)) {
  # 提取当前行的Inv_name，转为小写
  current_name <- str_to_lower(df_processed$Inv_name[i])
  
  # 拆分人名，提取逗号前的核心姓名部分（比如"Meyer, Helmut-Walter"）
  name_parts <- str_split(current_name, ",", simplify = TRUE)[,1]
  
  # 进一步清理：去掉头衔（Dr./Prof.等）和多余空格
  cleaned_name <- str_remove_all(name_parts, "\\b(?:prof|dr|sc)\\.?\\s*") %>% 
    str_squish()  # 去除多余空格
  
  # 构建正则模式：匹配姓名在Firma中的任意位置（部分匹配）
  pattern <- str_c("\\b", cleaned_name, "\\b", sep = "")
  
  # 统计Firma列中匹配的次数（忽略大小写）
  match_count <- sum(str_detect(str_to_lower(df_processed$Firma), pattern))
  
  # 赋值到count2列
  df_processed$count2[i] <- match_count
}

# 查看结果
df_processed %>% select(Inv_name, Firma, count2)

更高效的Tidyverse风格实现（推荐） #

循环在大数据集上效率较低，我们可以用rowwise()结合map_int来实现更简洁高效的代码：

library(tidyverse)

df_processed <- df %>%
  rowwise() %>%
  mutate(
    # 清理人名：提取核心部分，去掉头衔
    cleaned_name = str_to_lower(Inv_name) %>%
      str_split(",") %>%
      pluck(1, 1) %>%
      str_remove_all("\\b(?:prof|dr|sc)\\.?\\s*") %>%
      str_squish(),
    # 统计匹配次数
    count2 = sum(str_detect(str_to_lower(Firma), str_c("\\b", cleaned_name, "\\b")))
  ) %>%
  ungroup() %>%
  select(Inv_name, cleaned_name, Firma, count2)

关键优化点说明 #

• 初始化目标列：提前创建count2列，避免未初始化警告
• 精准提取核心人名：先提取逗号前的姓氏部分，再移除Prof./Dr.等头衔，减少误匹配
• 使用单词边界\\b：避免部分字符匹配（比如避免"Meyer"匹配"Meyster"）
• 统一大小写：全部转为小写后匹配，避免大小写敏感导致的漏匹配

运行上述代码后，就能正确统计每个Inv_name中的人名在Firma列的部分匹配次数啦～

内容的提问来源于stack exchange，提问作者Martina Buratti