如何在R data.table中对字符串类型数据进行范围分组？

我有一个包含Code和Description列的样本数据集，想要创建新列Code Group，将特定范围的编码分组（比如把编码在"912345"到"912350"之间的数据归入范围组"912345-912350"）。但Code列是字符串类型，不能转换为整数（否则前导零会丢失，例如"0450"会变成450），请问如何对字符串类型的编码识别预定义范围并完成分组？

样本数据集可通过以下代码生成：

DT = data.table(
  Code = c("0450", "912345", "912346","912347","912348","912349","912350","7860","X7960"),
  Description  = c("Desc A", "Desc B", "Desc C","Desc D","Desc E","Desc F","Desc G","Desc H","Desc I")
)    

附加规则：

• 编码无需连续，只要属于预定义范围，无论是否存在缺失编码，均归入对应范围组（例如若912347缺失，912345、912346、912348、912349、912350仍会被归入"912345-912350"）
• 预定义范围均为纯数字范围，若编码包含字母，则Code Group列值与原Code列值相同（如示例中的"X7960"）
• 仅对属于预定义范围列表的编码分组，不在范围内的编码（比如"7860"），Code Group列值与原Code列值相同

利用纯数字字符串的长度一致性和字典序与数值序等价的特性，可以在不转换为整数的前提下实现范围匹配，具体实现如下：

核心思路 #

1. 先筛选出纯数字编码，排除含字母的编码
2. 针对每个预定义范围，检查编码长度是否与范围起始/结束编码长度一致（避免不同长度的数字字符串误匹配，比如4位的"0450"不会和6位的范围比较）
3. 通过字符串的字典序比较，判断编码是否在预定义的起始和结束之间
4. 非纯数字或不在任何预定义范围的编码，直接保留原Code值

代码实现 #

library(data.table)

# 生成样本数据
DT = data.table(
  Code = c("0450", "912345", "912346","912347","912348","912349","912350","7860","X7960"),
  Description  = c("Desc A", "Desc B", "Desc C","Desc D","Desc E","Desc F","Desc G","Desc H","Desc I")
)    

# 定义预定义范围列表，可添加多个范围
predefined_ranges = list(
  list(start = "912345", end = "912350", group_name = "912345-912350")
  # 示例：添加另一个范围
  # list(start = "0400", end = "0500", group_name = "0400-0500")
)

# 初始化Code_Group列为原Code值
DT[, Code_Group := Code]

# 遍历每个预定义范围，匹配并更新分组
for (range in predefined_ranges) {
  # 构建匹配条件：纯数字、长度匹配、编码在范围区间内
  match_mask = grepl("^\\d+$", Code) & 
               nchar(Code) == nchar(range$start) & 
               Code >= range$start & 
               Code <= range$end
  
  DT[match_mask, Code_Group := range$group_name]
}

# 查看最终结果
print(DT)

输出结果 #

运行上述代码后，得到的数据集如下：

Code Description       Code_Group
1:   0450       Desc A            0450
2: 912345       Desc B 912345-912350
3: 912346       Desc C 912345-912350
4: 912347       Desc D 912345-912350
5: 912348       Desc E 912345-912350
6: 912349       Desc F 912345-912350
7: 912350       Desc G 912345-912350
8:   7860       Desc H            7860
9:  X7960       Desc I           X7960

扩展说明 #

如果需要添加更多预定义范围，只需在predefined_ranges列表中新增对应的范围配置即可，代码会自动遍历所有范围完成匹配。这种方法既保留了编码的前导零，又能准确匹配预定义的数字范围，完全符合需求。

内容的提问来源于stack exchange，提问作者Jiamei