R语言多类别列拆分与NA替换问题技术求助

场景1：拆分带键值对的多模态变量生成规范宽表 #

问题描述 #

使用separate()按|拆分数据框变量时遇到两个问题：

• 拆分后单元格保留子变量标题（如"Autre: 5"这类键值对未拆分）
• 各行待拆分变量的模态数量不一致，导致列混乱，无法生成规范宽表

示例数据 #

dftest = data.frame(id = 1:3,
                VAR1  = c("oui", "non", "oui"),
                VAR2  = c("2009", "2007", "2018"),
                VAR3 = c("Autre: 5 | Soutien: 32 | Direction: 5","Soutien: 20 | Direction: 6", "Autre: 10 |  Direction: 4"),
                VAR4 = c("Form: 0.8 | Dev: 0.9 | RD: 0.4 | Invest: 1 | TI: 0.3", "Form: 0.8 | Dev: 0.9 | Invest: 1 | TI: 0.7", "Dev: 1.0 | Invest: 1.2 | TI: 0.5"),stringsAsFactors = F)

解决方案 #

利用tidyverse工具链，先将带分隔符的变量拆成行，拆分键值对后再转回宽表：

library(tidyverse)

# 分步处理VAR3和VAR4
dftest_processed <- dftest %>%
  # 拆分VAR3为行，再拆分键值对
  separate_rows(VAR3, sep = "\\s*\\|\\s*") %>%
  separate(VAR3, into = c("VAR3_key", "VAR3_value"), sep = ":\\s*") %>%
  pivot_wider(names_from = VAR3_key, values_from = VAR3_value, names_prefix = "VAR3_", values_fill = NA) %>%
  # 拆分VAR4为行，再拆分键值对
  separate_rows(VAR4, sep = "\\s*\\|\\s*") %>%
  separate(VAR4, into = c("VAR4_key", "VAR4_value"), sep = ":\\s*") %>%
  pivot_wider(names_from = VAR4_key, values_from = VAR4_value, names_prefix = "VAR4_", values_fill = NA) %>%
  # 保留每个id的唯一行
  distinct(id, .keep_all = TRUE)

# 可选：将拆分后的数值列转换为数值类型
dftest_processed <- dftest_processed %>%
  mutate(across(starts_with(c("VAR3_", "VAR4_")), as.numeric))

处理后会生成包含VAR3_Autre、VAR3_Soutien等规范列的宽表，缺失模态自动填充NA，不会出现列混乱。

场景2：拆分多选项变量并将NA替换为"No" #

问题描述 #

编写通用函数处理含|的变量后，var1相关列的NA无法替换为"No"，需解决该问题。

示例数据 #

dataframe_init <- data.frame(var1 = c("a test | b", "a test | c bla", "b", ""), var2 = c("a blo :2 | b : 12", "a blo :3 | c bli : 6", "b : 4", ""), var3 = c("yes", "no", "", "yes"))

解决方案 #

先将空字符串转为NA，提取所有可能的选项后，通过检测字符串是否包含选项生成标记列，直接替换缺失值为"No"：

library(tidyverse)

# 定义通用处理函数
process_multiple_vars <- function(df, var_name, sep = "\\s*\\|\\s*") {
  # 提取当前变量的所有唯一选项
  all_options <- df %>%
    pull({{var_name}}) %>%
    str_split(sep) %>%
    unlist() %>%
    str_trim() %>%
    discard(~ .x == "") %>%
    unique()
  
  # 生成各选项的存在标记列
  df %>%
    mutate(
      # 空字符串转为NA
      across({{var_name}}, ~ ifelse(.x == "", NA, .x)),
      # 对每个选项生成列，存在则为"Yes"，否则为"No"
      !!!map(set_names(all_options, paste0(var_name, "_", all_options)), 
             ~ str_detect({{var_name}}, fixed(.x)) %>% ifelse(., "Yes", "No"))
    ) %>%
    select(-{{var_name}})
}

# 应用函数处理var1、var2，同时处理var3的空字符串
result <- dataframe_init %>%
  process_multiple_vars(var1) %>%
  process_multiple_vars(var2) %>%
  mutate(var3 = ifelse(var3 == "", "No", var3))

该方法直接通过字符串检测生成标记列，避免NA残留问题，同时自动覆盖所有可能的选项。

内容的提问来源于stack exchange，提问作者A.Pavard