R语言按年份分组统计多列指定字符串出现次数的错误排查

问题描述 #

需求：按年份分组，统计指定字符串在多个变量（列）中的出现次数。

原代码：

year <- c("1993", "1994", "1995")
var1 <- c("tardigrades are usually about 0.5 mm long when fully grown.", "slow steppers", "easy") 
var2 <- c("something", "polar bear", "tardigrades are prevalent in mosses and lichens and feed on plant cells")
var3 <- c("kleiner wasserbaer", "newly hatched", "happy learning")
tardigrades <- data.frame(year, var1, var2, var3)
     
count_year <- tardigrades %>%
group_by(year) %>%
summarize(count = sum(str_count(tardigrades, 'tardigrades')))

运行后问题：每个年份对应的统计结果都是整个数据集的总次数，没有实现分组统计的效果。

错误原因 #

在summarize函数里调用str_count(tardigrades, 'tardigrades')时，直接引用了整个原始数据框，而不是分组后的当前组数据。dplyr分组后，summarize上下文里应该用.指代当前分组的子数据集，或者让函数自动识别当前分组数据，否则每次都会计算全量数据的结果。

修正方案 #

方案一：用.指代当前分组数据 #

library(dplyr)
library(stringr)

year <- c("1993", "1994", "1995")
var1 <- c("tardigrades are usually about 0.5 mm long when fully grown.", "slow steppers", "easy") 
var2 <- c("something", "polar bear", "tardigrades are prevalent in mosses and lichens and feed on plant cells")
var3 <- c("kleiner wasserbaer", "newly hatched", "happy learning")
tardigrades <- data.frame(year, var1, var2, var3)
     
count_year <- tardigrades %>%
  group_by(year) %>%
  summarize(count = sum(str_count(., 'tardigrades')))

方案二：精准指定统计列（更严谨） #

如果不想统计year列（虽然本例中year无目标字符串），可以用c_across明确指定要统计的列范围：

count_year <- tardigrades %>%
  group_by(year) %>%
  summarize(count = sum(str_count(c_across(var1:var3), 'tardigrades')))

效果说明 #

修正后运行代码，会得到正确的分组统计结果：

• 1993年：1次（仅var1中出现）
• 1994年：0次
• 1995年：1次（仅var2中出现）

内容的提问来源于stack exchange，提问作者onlyjust17