R语言数据处理：相似厂商名称归一化与非目标厂商归类求助

核心思路 #

用正则表达式模糊匹配替代精确字符串替换，同时新建归一化列保留原数据，最后统一归类非目标厂商为OTHER。

完整代码实现 #

library(stringr)
library(dplyr) # 用case_when更简洁，也可替换为base R的ifelse

# 复现原始数据
mfg <- c("Ford Motor Company", "Ford Co.", "FoMoCo.", "Tesla", "Tesla Inc.", "Toyota", "Toyota of Jpn", "Honda Motors", "Honda Motors (Japan) Co., Ltd." )
sales <- c(12, 14, 5, 50, 20, 30, 22, 50, 11)
df <- data.frame(mfg, sales)

# 新建归一化列，不修改原数据
df$mfg_normalized <- df$mfg

# 归一化Ford所有变体：忽略大小写，匹配包含Ford/FoMoCo的任意字符串
df$mfg_normalized <- str_replace_all(df$mfg_normalized, regex("(?i)(ford|fomoco).*"), "Ford")

# 归一化Tesla所有变体
df$mfg_normalized <- str_replace_all(df$mfg_normalized, regex("(?i)tesla.*"), "Tesla")

# 将非Ford/Tesla的厂商归类为OTHER
df$mfg_normalized <- case_when(
  df$mfg_normalized == "Ford" ~ "Ford",
  df$mfg_normalized == "Tesla" ~ "Tesla",
  TRUE ~ "OTHER"
)

# 查看结果
print(df)

关键说明 #

1. 原方法无效原因：str_replace_all传入字符向量时是精确匹配整个字符串，只有完全匹配的条目才会被替换。像"Honda Motors (Japan) Co., Ltd."不在替换列表中，自然不会被处理；若出现新的Ford变体（如"Ford USA"），原方法也无法覆盖。
2. 模糊匹配优势：regex("(?i)(ford|fomoco).*")的作用：
   • (?i)：忽略大小写，兼容"FORD"、"Ford"等写法
   • (ford|fomoco)：匹配任意一个目标关键词
   • .*：匹配关键词后的任意字符，不管后缀、地区信息都能统一替换
3. 保留原数据：通过新建mfg_normalized列，完全保留原始mfg列信息，避免误修改。
4. 可复用优化：可将步骤封装成函数，每周直接调用处理新数据：

normalize_mfg <- function(data) {
  data$mfg_normalized <- data$mfg
  data$mfg_normalized <- str_replace_all(data$mfg_normalized, regex("(?i)(ford|fomoco).*"), "Ford")
  data$mfg_normalized <- str_replace_all(data$mfg_normalized, regex("(?i)tesla.*"), "Tesla")
  data$mfg_normalized <- case_when(
    data$mfg_normalized == "Ford" ~ "Ford",
    data$mfg_normalized == "Tesla" ~ "Tesla",
    TRUE ~ "OTHER"
  )
  return(data)
}

# 每周处理新数据时直接调用
new_df <- normalize_mfg(new_raw_data)

内容的提问来源于stack exchange，提问作者JensenDKMG