R语言：按规则匹配字符串并为数据集添加指定列名

以下提供两种可行的实现方法，分别基于tidyverse（dplyr）和基础R，均能满足你的需求：

方法一：使用tidyverse工具包 #

先加载所需包，再按步骤处理：

library(dplyr)
library(stringr)

# 1. 从code_book中提取目标列名
# 提取以Overarching开头的列名
overarch_cols <- code_book %>% 
  filter(str_detect(`New Variable`, "^Overarching")) %>% 
  pull(`New Variable`)

# 提取以Breakfast开头的列名
breakfast_cols <- code_book %>% 
  filter(str_detect(`New Variable`, "^Breakfast")) %>% 
  pull(`New Variable`)

# 定义需要保留/添加的固定列
fixed_cols <- c("ID", "Start", "Complete", "IPAddress", "FirstName", "NumID", "Organization")

# 2. 处理data_process数据集
data_process <- data_process %>%
  # 补充缺失的固定列（值设为NA，需设0可替换）
  add_column(!!!set_names(rep(list(NA), length(setdiff(fixed_cols, colnames(data_process)))), 
                          setdiff(fixed_cols, colnames(data_process))), 
             .before = 1) %>%
  # 补充缺失的Overarching类列（值设为NA，需设0可替换）
  add_column(!!!set_names(rep(list(NA), length(setdiff(overarch_cols, colnames(data_process)))), 
                          setdiff(overarch_cols, colnames(data_process)))) %>%
  # 补充缺失的Breakfast类列（值设为NA，需设0可替换）
  add_column(!!!set_names(rep(list(NA), length(setdiff(breakfast_cols, colnames(data_process)))), 
                          setdiff(breakfast_cols, colnames(data_process))))

方法二：使用基础R（无需额外包） #

如果不想加载第三方包，可直接用基础R实现：

# 1. 从code_book中提取目标列名
overarch_cols <- subset(code_book, grepl("^Overarching", `New Variable`))$`New Variable`
breakfast_cols <- subset(code_book, grepl("^Breakfast", `New Variable`))$`New Variable`
fixed_cols <- c("ID", "Start", "Complete", "IPAddress", "FirstName", "NumID", "Organization")

# 2. 补充缺失的固定列
missing_fixed <- setdiff(fixed_cols, colnames(data_process))
if(length(missing_fixed) > 0){
  data_process[missing_fixed] <- NA # 替换为0可改为 data_process[missing_fixed] <- 0
}

# 3. 补充缺失的Overarching类列
missing_overarch <- setdiff(overarch_cols, colnames(data_process))
if(length(missing_overarch) > 0){
  data_process[missing_overarch] <- NA
}

# 4. 补充缺失的Breakfast类列
missing_breakfast <- setdiff(breakfast_cols, colnames(data_process))
if(length(missing_breakfast) > 0){
  data_process[missing_breakfast] <- NA
}

关键说明 #

1. 列名匹配：代码中使用^确保只匹配以指定字符串开头的列名，如果需要忽略大小写（比如匹配overarching小写开头），可在str_detect中添加ignore.case=TRUE，或在grepl中设置ignore.case=TRUE。
2. 值的设置：默认将新增列的值设为NA，如果需要设为0，直接将代码中的NA替换为0即可。
3. 保留现有列：两种方法都会检查数据集已有的列，只添加缺失的目标列，不会覆盖原有列的数据。

内容的提问来源于stack exchange，提问作者Humberto R