在R语言中基于多列grep匹配创建二进制新变量的高效方法

针对你需要批量基于多列的字符串包含匹配生成二进制变量的需求，以下是两种高效的实现方式：

基础R函数方法 #

这种方法无需额外安装包，适合习惯基础R语法的场景：

# 定义批量处理函数
add_binary_grep_cols <- function(data, patterns, target_cols) {
  # 遍历每个要匹配的字符串
  for (pat in patterns) {
    # 对目标列逐行检查是否包含指定字符串，只要有一列匹配则为1
    data[[pat]] <- as.integer(
      rowSums(sapply(data[target_cols], grepl, pattern = pat)) > 0
    )
  }
  return(data)
}

# 示例数据
breakfast <- c("apple orange", "orange banana", "apple")
lunch <- c("orange", "apple orange", "apple banana")
df <- data.frame(breakfast, lunch)

# 使用函数：匹配"apple"和"orange"，扫描breakfast、lunch列
df_processed <- add_binary_grep_cols(
  data = df,
  patterns = c("apple", "orange"),
  target_cols = c("breakfast", "lunch")
)

# 查看结果
df_processed

代码说明 #

• sapply(data[target_cols], grepl, pattern = pat)：对每个目标列生成逻辑向量（TRUE表示该行包含指定字符串）
• rowSums()：计算每行中匹配的列数，只要结果>0就说明至少有一列符合条件
• as.integer()：将逻辑值转为二进制的1/0

tidyverse管道方法 #

如果你习惯使用tidyverse工具链，这种写法更简洁且可读性强：

library(dplyr)
library(purrr)

# 配置参数
patterns <- c("apple", "orange")
target_cols <- c("breakfast", "lunch")

# 批量生成二进制列
df_processed <- df %>%
  mutate(
    !!!set_names(
      map(patterns, ~ as.integer(
        rowSums(sapply(select(., all_of(target_cols)), grepl, pattern = .x)) > 0
      )),
      patterns
    )
  )

代码说明 #

• map(patterns, ...)：遍历每个要匹配的字符串，生成对应列的二进制向量
• set_names()：将生成的向量命名为对应的字符串（即新列名）
• !!!：将命名后的向量列表展开为数据框的新列
• select(., all_of(target_cols))：选中需要扫描的目标列，避免影响其他列

注意事项 #

• 如果需要忽略大小写匹配，可以在grepl()中添加参数ignore.case = TRUE
• 如果需要精确匹配完整单词（例如避免把"pineapple"识别为包含"apple"），可以使用正则表达式的单词边界：pattern = "\\bapple\\b"
• 若目标列是因子类型，需要先转为字符型：data[target_cols] <- lapply(data[target_cols], as.character)

内容的提问来源于stack exchange，提问作者Shannon