如何在R中处理含多值列的数据框以开展统计分析？

1. 最佳数据结构选择 #

绝对不要拆成多列（如df.split的宽格式），推荐转成「长格式（long format）」的tidy结构

• 宽格式的问题：多列结构会让统计分析（频次、交叉表）变得繁琐，每列都要单独处理，还容易遗漏值；且值的数量变化（0到8个）会导致列数不稳定，后续维护成本高
• 长格式的优势：每行仅存储一个唯一的非重复值，完全适配R的tidy统计生态，去重、计数、交叉分析等操作都能通过统一的代码逻辑完成，效率远高于宽格式

2. 推荐工具包及处理流程 #

核心工具包是tidyverse（整合了字符串处理、数据转换、统计的全套工具），辅助可搭配janitor简化交叉表制作。

具体处理步骤（附代码示例） #

第一步：模拟原始数据

library(tidyverse)
# 模拟用户提供的原始数据结构
df.orig <- tibble(
  id = 1:5,
  parts = c("Filter,Gear", "Filter,Gear,Filter", "", "Gear,Brake", "Brake"),
  category = c("A", "A", "B", "B", "A") # 额外添加分组变量用于演示
)

第二步：拆分、去重并转长格式

这一步是核心，一次性解决多值拆分、行内去重的需求：

df_clean <- df.orig %>%
  # 按逗号拆分字符串为列表，同时对每行的列表去重
  mutate(parts = map(str_split(parts, ","), ~unique(.x))) %>%
  # 将列表列展开成长格式，空值行可通过keep_empty=TRUE保留
  unnest(parts, keep_empty = FALSE) %>%
  # 过滤拆分后产生的空字符串
  filter(parts != "")

第三步：基础统计分析示例

• 统计各值的出现频次：

df_clean %>% count(parts, sort = TRUE)

• 制作分组交叉表（以category和parts为例）：

library(janitor)
# 生成带百分比的交叉表
tabyl(df_clean, category, parts) %>% 
  adorn_percentages("row") %>% 
  adorn_pct_formatting(digits = 1) %>% 
  adorn_ns()

补充说明 #

• 如果需要保留无任何值的行，在unnest时设置keep_empty=TRUE，并将空的parts值替换为标记（如mutate(parts = replace_na(parts, "None"))）
• 若处理超大规模数据，可使用data.table包的strsplit+unlist组合，速度会更快，但学习成本略高于tidyverse

内容的提问来源于stack exchange，提问作者DataJ