如何在R语言中基于另一列将单词分组为字符串？

针对你的需求，完全可以通过向量化分组聚合实现，避免低效的循环，处理大数据集也能保持高效。以下是两种主流方法（基于你的data.table数据集，也提供tidyverse方案）：

方法一：使用data.table（推荐，适合大数据集） #

利用data.table的高效分组能力，结合cumsum生成分组ID，再拼接文本并处理特殊符号：

library(data.table)

# 为每个B开头的实体生成唯一分组ID
mydat[, group := cumsum(Tag == "B")]

# 分组拼接单词，同时处理"-"符号的格式
mystrings <- mydat[, gsub(" - ", "-", paste(Word, collapse = " ")), by = group]$V1

# 查看结果
mystrings

输出结果与你的期望完全一致：

[1] "Acanthosis nigricans"       "AN"                         "skin condition"            
[4] "hyperkeratosis of the skin" "AN"                         "obesity"                   
[7] "drug-induced AN"            "AN"                         "malignant AN" 

方法二：使用dplyr（tidyverse风格） #

如果你习惯tidyverse语法，也可以用dplyr实现相同逻辑：

library(dplyr)

mystrings <- mydat %>%
  # 生成分组ID
  mutate(group = cumsum(Tag == "B")) %>%
  # 按分组聚合拼接文本
  group_by(group) %>%
  summarise(text = gsub(" - ", "-", paste(Word, collapse = " "))) %>%
  # 提取结果向量
  pull(text)

核心逻辑说明 #

1. 分组ID生成：cumsum(Tag == "B")会在每次遇到Tag="B"时累加计数，自动将每个实体（B开头+后续所有I标签的单词）划分为同一个分组，这是实现高效聚合的关键。
2. 文本拼接与格式处理：用paste(..., collapse=" ")将分组内的单词拼接成字符串，再通过gsub(" - ", "-", ...)把单独的-符号转换为连字符，符合你期望的drug-induced格式。

这种方法完全基于向量化操作，避免了逐行循环，在大数据集上的效率远高于手动遍历。

内容的提问来源于stack exchange，提问作者Adrian