在R中使用dplyr::mutate与case_when创建身份标识变量

我们可以通过分组判断组内邮箱的分布情况，来生成目标identity变量。核心逻辑是：按id、last_name、first_name分组后，若组内所有邮箱一致则全标记"Yes"；若存在多种邮箱，出现多次的邮箱对应行标记"Yes"，仅出现一次的标记"No"。

实现代码 #

library(dplyr)

# 示例数据集
id <- c("12-A", "12-A", "12-A", "12-A")
last_name <- c("Mike", "Mike", "Mike", "Mike")
first_name <- c("Tom", "Tom", "Tom", "Tom")
email <- c("tom@yahoo.com", "tom@yahoo.com", "tom@yahoo.com", "tommike@yahoo.com")
ds <- data.frame(id, last_name, first_name, email)

# 创建identity变量
ds_processed <- ds %>%
  # 按id、姓名、邮箱分组，计算每个邮箱在对应姓名组内的出现次数
  group_by(id, last_name, first_name, email) %>%
  mutate(email_freq = n()) %>%
  # 回到id+姓名的分组，通过case_when判断标记
  group_by(id, last_name, first_name) %>%
  mutate(
    identity = case_when(
      # 组内仅有一种邮箱，全标记Yes
      n_distinct(email) == 1 ~ "Yes",
      # 邮箱在组内出现多次，标记Yes
      email_freq > 1 ~ "Yes",
      # 其余情况（仅出现一次的异邮箱）标记No
      TRUE ~ "No"
    )
  ) %>%
  # 取消分组，移除中间变量（可选操作）
  ungroup() %>%
  select(-email_freq)

# 查看处理后的结果
print(ds_processed)

运行结果 #

id last_name first_name             email identity
1 12-A      Mike        Tom     tom@yahoo.com      Yes
2 12-A      Mike        Tom     tom@yahoo.com      Yes
3 12-A      Mike        Tom     tom@yahoo.com      Yes
4 12-A      Mike        Tom tommike@yahoo.com       No

代码逻辑说明 #

1. 先通过嵌套分组，计算每个邮箱在对应id+姓名组内的出现次数，存储为临时变量email_freq；
2. 回到id+姓名的分组维度，用case_when分情况赋值：
   • 当组内邮箱唯一时，所有行统一标记"Yes"；
   • 当邮箱在组内出现多次时，标记"Yes"；
   • 仅出现一次的异邮箱标记"No"；
3. 最后取消分组并清理临时变量，得到符合需求的数据集。

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