R语言通用方法：如何将匹配向量值映射到新列？

核心需求 #

为数据框city_df新增列name3：当name列的某个值存在于整个name2列的取值集合中时，name3返回该值；否则返回NA，要求方法适配大型数据集。

原始数据构造 #

先创建不含name3的原始数据框：

name <- c("City1", "City2", "City3", "City4", "City5")
name2 <- c("City6", "City7", "City1", "City9", "City10")
city_df <- data.frame(name, name2)

高效解决方案（适配大数据） #

1. Base R 方法

利用向量化操作%in%替代循环，大幅提升效率：

# 先提取name2的唯一值（大数据集去重可减少判断次数，优化性能）
name2_unique <- unique(city_df$name2)
# 添加name3列
city_df$name3 <- ifelse(city_df$name %in% name2_unique, city_df$name, NA)

2. Tidyverse（dplyr）方法

适合喜欢管道风格的用户，同样是向量化操作：

library(dplyr)

city_df <- city_df %>%
  mutate(name3 = if_else(name %in% unique(name2), name, NA_character_))

注：这里用NA_character_是为了和name列的字符类型匹配，避免类型警告。

验证输出 #

运行上述代码后，结果与预期一致：

print(city_df)
#   name  name2 name3
# 1 City1  City6 City1
# 2 City2  City7    NA
# 3 City3  City1    NA
# 4 City4  City9    NA
# 5 City5 City10    NA

常见问题说明 #

• 循环方法效率极低，大数据集下会显著变慢，完全不推荐；
• 如果之前用ifelse失败，大概率是误将判断逻辑写成了当前行的name与当前行的name2比较，而非判断name值是否存在于整个name2列的集合中，这是核心逻辑误区。

内容的提问来源于stack exchange，提问作者Benny Johansson