如何在R中处理电影数据集：将多类型电影转为单一类型

假设你的电影数据框为movies，其中genre列存储了多类型标签（格式为逗号分隔字符串或类型列表），以下是两种常见场景的处理方法：

场景1：类型标签为逗号分隔字符串 #

比如genre列的值为"Drama,Comedy"、"Drama,Adventure,Sci-Fi"这类格式：

1. 先加载所需工具包：

library(dplyr)
library(stringr)

2. 按优先级归类类型：

movies_cleaned <- movies %>%
  mutate(primary_genre = case_when(
    # 按优先级顺序判断，优先匹配的类型放在前面
    str_detect(genre, "Drama") ~ "Drama",
    str_detect(genre, "Comedy") ~ "Comedy",
    str_detect(genre, "Adventure") ~ "Adventure",
    str_detect(genre, "Sci-Fi") ~ "Sci-Fi",
    # 可继续添加其他需要优先处理的类型
    TRUE ~ genre # 对不匹配上述类型的条目，保留原单一类型；也可改为"Other"统一归类
  ))

case_when会按顺序执行判断，只要某条匹配成功就会返回对应类型，因此优先级高的类型要放在前面，比如所有包含Drama的多类型电影都会被优先归类为Drama。

场景2：类型标签为列表格式 #

如果genre列是列表类型（每个元素是一个包含多个类型的向量），可以用sapply来检查类型是否存在：

movies_cleaned <- movies %>%
  mutate(primary_genre = case_when(
    sapply(genre, function(x) "Drama" %in% x) ~ "Drama",
    sapply(genre, function(x) "Comedy" %in% x) ~ "Comedy",
    sapply(genre, function(x) "Adventure" %in% x) ~ "Adventure",
    # 其他类型同理
    TRUE ~ sapply(genre, function(x) x[1]) # 默认取列表中的第一个类型，也可改为"Other"
  ))

你可以根据自己的分析需求调整类型的优先级顺序，确保符合你的归类逻辑。

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