R语言中多份词频CSV文件对比咨询：找共有/独有词及对应频率

针对你的需求，不需要用Waldo包（它更适合对象间的差异对比），直接用数据框合并+筛选的方式就能高效完成多文件词频的对比分析。以下是具体步骤和代码：

步骤说明 #

1. 批量读取所有CSV文件，为每个文件的词频列添加专属标识（方便区分来源）
2. 全连接所有数据框，保留所有出现过的单词
3. 处理缺失值（无对应词频的位置设为0）
4. 按需求筛选共有单词、独有单词、部分共有单词，并保留所有词频信息

代码实现 #

假设你的CSV文件结构为两列：word（单词）和freq（词频），文件名分别为word_freq1.csv到word_freq4.csv：

# 安装并加载dplyr（如果未安装）
if (!require(dplyr)) {
  install.packages("dplyr")
  library(dplyr)
}

# 定义所有CSV文件的路径
file_list <- c("word_freq1.csv", "word_freq2.csv", "word_freq3.csv", "word_freq4.csv")

# 批量读取文件，并重命名词频列以区分来源
word_data <- lapply(seq_along(file_list), function(idx) {
  df <- read.csv(file_list[idx], stringsAsFactors = FALSE)
  # 将原freq列重命名为对应文件的标识
  colnames(df)[colnames(df) == "freq"] <- paste0("freq_file", idx)
  df
})

# 全连接所有数据框，保留所有单词
combined_data <- word_data %>%
  Reduce(function(x, y) full_join(x, y, by = "word"), .)

# 将缺失的词频值替换为0（若需保留缺失状态可跳过此步）
combined_data[is.na(combined_data)] <- 0

# 1. 提取所有文件共有的单词（所有文件中词频>0）
all_common_words <- combined_data %>%
  filter(freq_file1 > 0, freq_file2 > 0, freq_file3 > 0, freq_file4 > 0)

# 2. 提取仅在单个文件中出现的独有单词
unique_to_single_file <- combined_data %>%
  rowwise() %>%
  mutate(appear_in = sum(c(freq_file1, freq_file2, freq_file3, freq_file4) > 0)) %>%
  filter(appear_in == 1) %>%
  ungroup()

# 3. 提取在2-3个文件中出现的部分共有单词
partial_common_words <- combined_data %>%
  rowwise() %>%
  mutate(appear_in = sum(c(freq_file1, freq_file2, freq_file3, freq_file4) > 0)) %>%
  filter(appear_in %in% 2:3) %>%
  ungroup()

扩展操作 #

如果需要对共有单词做进一步分析，比如按平均词频排序：

# 为共有单词添加平均词频列并降序排列
sorted_common_words <- all_common_words %>%
  mutate(avg_freq = rowMeans(select(., starts_with("freq_file")))) %>%
  arrange(desc(avg_freq))

为什么不用Waldo？ #

Waldo的核心功能是对比两个R对象（比如列表、数据框）的细节差异，输出差异报告，但它无法完成多数据集的关联合并和统计筛选——这正是你需求的核心，因此用数据框合并+dplyr筛选的方式更直接匹配你的场景。

内容的提问来源于stack exchange，提问作者user21390049