如何检测数据框列中是否存在不在Codebook内的未知代码

你可以通过拆分代码列→逐个验证→判断是否存在未收录项的思路解决这个问题，用tidyverse的实现如下：

完整代码 #

library(tidyverse)

# 示例数据
AppliedCodes <- c("AAAA; BBBB; CCCC;", "CCCC; FFFF; GGGG", "AAAA; DDD; EEEE")
df <- data.frame(AppliedCodes)
Codebook     <- c("AAAA", "BBBB", "CCCC", "DDDD", "EEEE", "FFFF")

# 处理逻辑
df2 <- df %>%
  mutate(
    # 拆分代码：按分号+任意空格分割，过滤空字符串（处理末尾分号的情况）
    split_codes = str_split(AppliedCodes, ";\\s*") %>% map(~ .x[.x != ""]),
    # 检查是否存在不在Codebook中的代码，转换为Yes/No标记
    UnknownCode = if_else(map_lgl(split_codes, ~ any(!.x %in% Codebook)), "Yes", "No"),
    # 移除中间辅助列（可选）
    split_codes = NULL
  )

# 查看结果
print(df2)

输出结果 #

AppliedCodes UnknownCode
1 AAAA; BBBB; CCCC;          No
2  CCCC; FFFF; GGGG          No
3   AAAA; DDD; EEEE         Yes

关键步骤说明 #

1. 拆分代码：用str_split(AppliedCodes, ";\\s*")处理分号和后续空格的组合，再通过map(~ .x[.x != ""])过滤拆分后产生的空字符串（比如第一行末尾的分号会生成空元素）。
2. 验证未收录项：map_lgl(split_codes, ~ any(!.x %in% Codebook))对每个拆分后的代码列表，检查是否存在任意一个不在Codebook中的代码，返回逻辑值。
3. 转换标记：用if_else把逻辑值转为你需要的"Yes"/"No"格式。

为什么之前的方法不适用 #

你之前用str_detect拼接Codebook的方式，本质是检查「是否存在至少一个在Codebook中的代码」，只要有一个代码匹配就返回TRUE，无法检测「是否存在不在Codebook中的代码」。而拆分后逐个验证的思路，正好解决了这个逻辑反转的问题。

内容的提问来源于stack exchange，提问作者Jan