R语言中如何判断列B值是否在列A字符串中并生成虚拟变量？

我来帮你搞定这个需求！先理清楚你之前的代码为什么没得到预期结果，再给你几个高效的实现方法。

先重现你的数据 #

首先咱们把你的数据框建出来，方便测试：

df <- data.frame(
  A = rep("2012,2013,2014", 5),
  B = c("2011", "2012", "2013", "2014", "2015"),
  stringsAsFactors = FALSE
)

为什么之前的代码不对？ #

• 你用df$dummy <- ifelse(df$B %in% df$A, 1, 0)得到全1，是因为%in%的逻辑是检查每个B的元素是否存在于整个A向量中，而不是对应行的A字符串里。你的A列全是同一个字符串，这个判断逻辑完全不符合你的需求。
• 用any(df$A==df$B)得到全TRUE，是因为any()会把整个向量的比较结果合并成一个单个的逻辑值（只要有一个匹配就返回TRUE），然后这个单一值会被重复填充到整个dummy列，自然全是TRUE了。

高效解决方案 #

方法1：Base R 逐行处理（简单直观） #

用apply逐行遍历，把每行的A字符串拆分成年份向量，再检查B是否在其中：

df$dummy <- apply(df, 1, function(row) {
  # 拆分当前行的A为年份向量
  year_list <- strsplit(row[["A"]], ",")[[1]]
  # 判断B是否在列表中，转成1/0
  as.integer(row[["B"]] %in% year_list)
})

方法2：stringr包向量化处理（大数据更高效） #

如果你的数据量比较大，逐行的apply效率会偏低，用stringr的向量化函数速度更快：

library(stringr)
# fixed()确保按固定字符串匹配，避免正则特殊字符干扰
df$dummy <- as.integer(str_detect(df$A, fixed(df$B)))

这个方法是向量化操作，不需要逐行循环，处理大表格的时候优势很明显。

方法3：data.table（超大数据最优选择） #

如果是处理百万级别的大数据框，data.table的性能是最好的：

library(data.table)
# 转成data.table格式
setDT(df)
# 生成dummy列
df[, dummy := as.integer(str_detect(A, fixed(B)))]

最终结果 #

不管用哪种方法，你都会得到预期的结果：

A    B dummy
1 2012,2013,2014 2011     0
2 2012,2013,2014 2012     1
3 2012,2013,2014 2013     1
4 2012,2013,2014 2014     1
5 2012,2013,2014 2015     0

内容的提问来源于stack exchange，提问作者Ian Wang