如何用R语言通过字符串匹配完成数据框的混乱数据分类？

实现思路 #

核心逻辑：先提取分类规则（分类名称-匹配关键词），再对每个公司名称做不区分大小写的字符串匹配，找到包含的关键词后，将对应分类填充到company_type列。若存在多个匹配关键词，取第一个对应的分类（可通过调整规则顺序改变优先级）。

代码实现 #

1. 构造初始数据框 #

先还原你的初始数据结构：

# 创建初始数据框
df <- data.frame(
  company_name = c("John landscaping", "constructing pros", "Brother Lawn care", "Top cleaning", "Emmas paints"),
  categories = c("Landscaping", "Landscaping", "Cleaning", "Painting", "Construction"),
  search = c("lawn", "landscape", "clean", "paint", "construct"),
  company_type = rep(NA, 5),
  stringsAsFactors = FALSE
)

2. 提取去重的分类规则 #

从数据中提取唯一的分类-关键词对应关系，避免重复匹配：

# 提取去重后的分类规则表
category_rules <- unique(df[, c("categories", "search")])

3. 执行匹配并填充分类 #

使用stringr包处理字符串匹配，结合sapply批量处理每个公司名称：

library(stringr)

# 定义匹配函数：输入公司名称，返回对应的分类
get_company_type <- function(name, rules) {
  # 不区分大小写检查公司名是否包含关键词
  matches <- str_detect(tolower(name), tolower(rules$search))
  # 返回第一个匹配的分类，无匹配则返回NA
  if (any(matches)) {
    return(rules$categories[matches][1])
  } else {
    return(NA)
  }
}

# 批量填充company_type列
df$company_type <- sapply(df$company_name, get_company_type, rules = category_rules)

4. 查看结果 #

运行后打印数据框即可得到目标结果：

print(df)

输出内容：

company_name   categories    search company_type
1 John landscaping  Landscaping      lawn  Landscaping
2  constructing pros Landscaping landscape Construction
3  Brother Lawn care    Cleaning     clean  Landscaping
4       Top cleaning    Painting     paint    Cleaning
5       Emmas paints Construction construct    Painting

替代方案（dplyr管道风格） #

如果你习惯使用dplyr的管道语法，可采用以下写法：

library(dplyr)
library(stringr)

category_rules <- df %>% select(categories, search) %>% distinct()

df <- df %>%
  rowwise() %>%
  mutate(company_type = category_rules$categories[str_detect(tolower(company_name), tolower(category_rules$search))][1]) %>%
  ungroup()

内容的提问来源于stack exchange，提问作者Linda