如何在R语言中拆分列并生成0-1编码的新变量？

原始数据 #

V1  V2
1   orange, apple
2   orange, lemon
3   lemon, apple
4   orange, lemon, apple
5   lemon
6   apple
7   orange
8   lemon, apple

需求 #

• V2列包含三个固定类别：orange、lemon、apple
• 为每个类别单独创建一列，用1标记该行V2包含对应类别，0标记不包含

尝试的错误方法 #

使用separate拆分列：

df %>% separate(V2, into = c("orange", "lemon", "apple"))

得到不符合预期的结果：

V1 orange lemon apple
1  1   orange   apple    <NA>
2  2   orange   lemon    <NA>
3  3    lemon   apple    <NA>
4  4   orange   lemon   apple
5  5    lemon    <NA>    <NA>
6  6    apple    <NA>    <NA>
7  7   orange    <NA>    <NA>
8  8    lemon   apple    <NA>

期望结果 #

V1  orange  lemon   apple
1   1   0   1
2   1   1   0
3   0   1   1
4   1   1   1
5   0   1   0
6   0   0   1
7   1   0   0
8   0   1   1

（注：原期望结果第4行存在笔误，实际该行V2包含三个类别，对应列都应为1）

正确解决方案 #

方法1：使用separate_rows + pivot_wider（tidyverse风格） #

library(tidyr)
library(dplyr)

df %>%
  # 将每行的多类别拆分为单独行
  separate_rows(V2, sep = ", ") %>%
  # 标记存在的类别为1
  mutate(value = 1) %>%
  # 宽表转换，缺失值填充为0
  pivot_wider(names_from = V2, values_from = value, values_fill = 0)

方法2：使用str_detect直接生成指示列 #

library(dplyr)
library(stringr)

df %>%
  mutate(
    orange = as.integer(str_detect(V2, fixed("orange"))),
    lemon = as.integer(str_detect(V2, fixed("lemon"))),
    apple = as.integer(str_detect(V2, fixed("apple")))
  ) %>%
  # 移除原V2列
  select(-V2)

说明 #

separate函数的作用是按分隔符将一列拆分为多列，拆分后每个位置的内容对应到指定列，无法实现“判断类别是否存在”的需求。上述两种方法分别通过行转列再宽表转换，或直接字符串匹配的方式，实现了二进制指示列的生成。

内容的提问来源于stack exchange，提问作者PImpek