在R中对比同行列字符串差异并生成差异物质列的技术求助

问题根源 #

你手里的auto.tox和production.tox列其实是逗号拼接的单个字符串，不是拆分好的物质列表——这就是之前用setdiff、anti_join没得到预期结果的核心原因：这些函数是在对比完整字符串，而非单个独立物质。

解决思路 #

先把字符串拆成单个物质的向量，再逐行找出auto.tox中存在但production.tox中不存在的物质，最后把结果拼成逗号分隔的字符串（无差异时设为NA或"None"）。

完整代码 #

先加载所需工具包：

library(tidyverse)

处理你的示例数据（修正了原数据中多余的c()，因为原数据里每个物质列是单个字符串，而非多元素向量）：

df <- tribble(
  ~casenumber, ~auto.tox, ~production.tox,
  "2023-1",   "Gabapentin, Alprazolam, Ethanol", "Alprazolam, Gabapentin, Ethanol",
  "2023-2",   "Alprazolam, Fentanyl, Ethanol", "Fentanyl, Ethanol",
  "2023-3",   "Fentanyl, Norfentanyl, 4-ANPP, Acetyl Fentanyl", "Fentanyl, Norfentanyl"
)

# 核心处理流程
result <- df %>%
  mutate(
    # 拆分字符串为物质列表，同时去除每个物质前后的空格（避免空格导致误判）
    auto_list = str_split(auto.tox, ", ") %>% map(str_trim),
    prod_list = str_split(production.tox, ", ") %>% map(str_trim),
    # 逐行计算差异：auto有但prod没有的物质
    different_substances = map2_chr(auto_list, prod_list, function(auto, prod) {
      diff_materials <- setdiff(auto, prod)
      if (length(diff_materials) == 0) {
        NA_character_  # 若要显示"None"，直接替换为该字符串即可
      } else {
        str_c(diff_materials, collapse = ", ")
      }
    })
  ) %>%
  select(casenumber, different_substances)

# 查看最终结果
print(result)

输出结果 #

# A tibble: 3 × 2
  casenumber different_substances       
  <chr>      <chr>                      
1 2023-1     NA                         
2 2023-2     Alprazolam                 
3 2023-3     4-ANPP, Acetyl Fentanyl

关键细节 #

• str_trim处理拆分后的物质是为了避免类似" Fentanyl"和"Fentanyl"被误判为不同物质的情况
• setdiff会严格匹配精确字符串，所以"Fentanyl"和"Acetyl Fentanyl"会被正确识别为不同物质
• 如果希望无差异时显示"None"而非NA，直接把代码里的NA_character_替换成"None"即可

内容的提问来源于stack exchange，提问作者GoDawgs213