如何使用dplyr在R中根据现有列值生成指定规则的新列？

初始数据框 #

我有如下结构的data frame：

生成新列规则 #

需要创建一个新列var，根据names列的元素值按以下规则返回对应内容：

• 若元素以NLA或NLO结尾，返回"clothing"
• 若元素以字母结尾，返回"table"
• 若元素以数字结尾，返回"chair"

注意：规则优先级很关键，NLA/NLO结尾的情况必须优先判断，因为它们本身也属于以字母结尾的范畴，放在后面会被覆盖。

期望结果 #

最终得到的data frame如下：

初始代码 #

library(tidyverse)
names = c("MARY123L","MARYL123.00","MARYNLO","MARYNLA",
          "JOHN330","JOHNNLA","JOHN123A","JOHN123n456.00","GEORGEJ","GEORGEJ","GEORGEJ","GEORGENLA")
DATA = tibble(names);DATA

请问如何使用R中的dplyr包实现该需求？

解决方案 #

可以使用dplyr的case_when()函数结合正则表达式实现，核心是按优先级顺序编写判断条件：

library(tidyverse)

names = c("MARY123L","MARYL123.00","MARYNLO","MARYNLA",
          "JOHN330","JOHNNLA","JOHN123A","JOHN123n456.00","GEORGEJ","GEORGEJ","GEORGEJ","GEORGENLA")
DATA = tibble(names)

# 生成新列var
DATA = DATA %>%
  mutate(var = case_when(
    # 优先匹配NLA/NLO结尾的情况
    str_detect(names, "NLA$|NLO$") ~ "clothing",
    # 匹配以任意大小写字母结尾的情况
    str_detect(names, "[A-Za-z]$") ~ "table",
    # 匹配以数字结尾的情况
    str_detect(names, "\\d$") ~ "chair",
    # 兜底处理未匹配到的情况，返回NA
    TRUE ~ NA_character_
  ))

# 查看结果
DATA

代码说明 #

• case_when()按顺序执行判断，前面的条件匹配成功后就不会再执行后续条件，因此必须把优先级高的规则放在最前面。
• str_detect()结合正则表达式：
  • NLA$|NLO$：$表示字符串结尾，匹配末尾为NLA或NLO的内容。
  • [A-Za-z]$：匹配末尾为任意大小写字母的内容。
  • \\d$：\\d代表数字，匹配末尾为数字的内容。
• 最后TRUE ~ NA_character_用于处理所有未命中上述规则的情况，可根据需求修改为其他默认值。

内容的提问来源于stack exchange，提问作者Homer Jay Simpson