跨多列检测关键词并生成标记列的R语言技术实现问题

问题背景 #

给定数据框与关键词向量，需检测每行中各关键词是否存在于任意列，并为每个关键词生成0/1标记列：

数据定义：

set.seed(123)
df <- data.frame(
  v1 = sample(LETTERS[1:10], 5),
  v2 = sample(LETTERS[1:10], 5),
  v3 = sample(LETTERS[1:10], 5),
  v4 = sample(LETTERS[1:10], 5)      
)

keys <- c("A", "C", "F", "H")

用户尝试for循环实现但生成NA列，代码及错误结果：

library(stringr)
for(i in keys){
  df[i] <- +str_detect(apply(df, 1, paste0, collapse = " "), keys[i])
}
df
#   v1 v2 v3 v4  A  C  F  H
# 1  C  A  J  I NA NA NA NA
# 2  H  E  E  C NA NA NA NA
# 3  D  H  F  A NA NA NA NA
# 4  G  D  I  J NA NA NA NA
# 5  F  C  A  F NA NA NA NA

但单独处理单个关键词逻辑可行：

+str_detect(apply(df, 1, paste0, collapse = " "), keys[1])
# [1] 1 0 1 0 1

解决方案 #

1. 修改原for循环 #

问题根源：循环中i已直接是关键词（如"A"），无需再用keys[i]索引，直接使用i即可。优化后代码：

library(stringr)
# 提前拼接每行字符串，避免重复计算
row_combined <- apply(df, 1, paste0, collapse = " ")

for(key in keys){
  df[[key]] <- +str_detect(row_combined, key)
}

# 输出结果
df

运行后正确结果：

v1 v2 v3 v4 A C F H
1  C  A  J  I 1 1 0 0
2  H  E  E  C 0 1 0 1
3  D  H  F  A 1 0 1 1
4  G  D  I  J 0 0 0 0
5  F  C  A  F 1 1 1 0

2. dplyr + purrr 简洁实现 #

采用tidyverse风格，无需拼接字符串，直接逐行检测：

library(dplyr)
library(purrr)

df <- df %>%
  bind_cols(
    map_dfc(keys, ~tibble(!!.x := +(rowSums(df == .x) > 0)))
  )

或用across函数更紧凑：

df <- df %>%
  mutate(
    across(all_of(keys), ~+rowSums(select(cur_data(), v1:v4) == .x) > 0)
  )

3. 基础R向量化解法 #

利用矩阵运算高效实现，适合大数据场景：

# 生成关键词标记矩阵
key_flags <- sapply(keys, function(k) +(rowSums(df == k) > 0))
# 合并到原数据框
df <- cbind(df, key_flags)

内容的提问来源于stack exchange，提问作者Chris Ruehlemann