如何在R中为多标签变量生成按物品分组的颜色存在标记列

针对你1000万条事件、800种颜色的大数据场景，推荐两种高效实现方式，优先用data.table处理，速度远快于tidyverse；如果习惯tidyverse，也有优化后的方案。

先处理原始数据中的字符串"NA" #

你的数据集里tag列的"NA"是字符串类型，需要先转为真正的缺失值，避免被当成颜色：

# tidyverse方式
library(tidyverse)
df <- df %>%
  mutate(across(starts_with("tag"), ~ifelse(.x == "NA", NA, .x)))

# data.table方式
library(data.table)
setDT(df)
df[, (paste0("tag", 1:3)) := lapply(.SD, function(x) fifelse(x == "NA", NA_character_, x)), 
   .SDcols = paste0("tag", 1:3)]

方法1：data.table（推荐，大数据下效率拉满） #

data.table的melt和dcast是专门为大数据优化的函数，内存占用低、速度快：

# 1. 转长格式，过滤缺失值，去重（同一个物品的同一种颜色只保留一条）
dt_long <- melt(df, id.vars = "item", measure.vars = paste0("tag", 1:3),
                variable.name = NULL, value.name = "color") %>%
  na.omit() %>%
  unique(by = c("item", "color"))

# 2. 转宽格式，生成二进制列（存在=1，不存在=0）
dt_wide <- dcast(dt_long, item ~ color, fun.aggregate = length, fill = 0) %>%
  setnames("item", "Item")

方法2：tidyverse（适合习惯dplyr/tidyr的用户） #

通过pivot_longer+pivot_wider实现，注意加distinct去重提升效率：

# 1. 转长格式，过滤缺失值，去重
df_long <- df %>%
  select(item, starts_with("tag")) %>%
  pivot_longer(cols = starts_with("tag"), names_to = NULL, values_to = "color") %>%
  drop_na(color) %>%
  distinct(item, color)

# 2. 转宽格式，生成二进制列
df_wide <- df_long %>%
  pivot_wider(names_from = color, values_from = color,
              values_fn = ~1, values_fill = 0) %>%
  rename(Item = item)

转换后结果示例 #

两种方法都会得到如下结构的输出（仅展示部分列）：

内容的提问来源于stack exchange，提问作者haley