R语言`$<-.data.frame`报错求助：自定义数据分类函数运行异常

数据说明 #

我有一个4列的DataFrame，用于脏数据分类：

• company_name：待分类的脏数据列
• categories：目标分类标签列
• search：用于匹配的关键词列
• company_type：存储最终分类结果的列

原始数据示例 #

"company_name"           "categories"      "search"    "company_type"
   John landscaping        Landscaping       lawn          NA
   Brother Lawn care       Cleaning          clean         NA
    Top cleaning           Painting          paint         NA

期望输出结果 #

"company_name"           "categories"      "search"    "company_type"
   John landscaping        Landscaping       lawn          Landscaping 
   Brother Lawn care       Cleaning          clean         Landscaping 
    Top cleaning           Painting          paint         Cleaning

使用的代码及报错 #

我使用了一个自定义的categorizeDF函数进行分类，代码如下：

df$company_type <- NA

categorizeDF <- function(df, searchColName, searchList, catList, newColName="Category") {
  catDF <- data.frame(matrix(ncol=ncol(df), nrow=0))
  colnames(catDF) <- paste0(names(df))
  df$sequence <- seq(nrow(df))
  for (i in seq_along(searchList)) {
    rownames(df) <- NULL
    index <- grep(searchList[i], df[,which(colnames(df) == searchColName)], ignore.case=TRUE)
    tempDF <- df[index,]
    tempDF$newCol <- catList[i]
    catDF <- rbind(catDF, tempDF)
    df <- df[-index,]
  }
  if (nrow(df) > 0) {
    df$newCol <- "OTHER"
    catDF <- rbind(catDF, df)
  }
  catDF <- catDF[order(catDF$sequence),]
  catDF$sequence <- NULL
  rownames(catDF) <- NULL
  catDF$newCol <- as.factor(catDF$newCol)
  colnames(catDF)[which(colnames(catDF) == "newCol")] <- newColName
  catDF
}

sorted <- categorizeDF(df, "company_name", "search", "categories", "company_type")

运行后出现报错：

Error in `$<-.data.frame`(`*tmp*`, "newCol", value = "categories") : 
replacement has 1 row, data has 0
4.
stop(sprintf(ngettext(N, "replacement has %d row, data has %d", 
"replacement has %d rows, data has %d"), N, nrows), domain = NA)
3.
`$<-.data.frame`(`*tmp*`, "newCol", value = "categories")
2.
`$<-`(`*tmp*`, "newCol", value = "categories")
1.
categorizeDF(df, "company_name", "search", "categories", "company_type")

问题分析 #

报错的核心原因是函数参数传递错误：

• categorizeDF的searchList参数需要传入关键词向量（即df$search），而不是列名字符串"search"
• catList参数需要传入分类标签向量（即df$categories），而不是列名字符串"categories"

当传入字符串"search"时，seq_along(searchList)只会循环1次，grep("search", df$company_name)找不到匹配项，导致tempDF是空数据框。此时执行tempDF$newCol <- catList[i]（即赋值"categories"），就会触发"替换值行数与数据框行数不匹配"的错误。

解决方法 #

修改函数调用语句，将searchList和catList替换为对应的列向量：

sorted <- categorizeDF(df, "company_name", df$search, df$categories, "company_type")

补充说明 #

• 函数逻辑是按searchList的顺序依次匹配，匹配到的行会被从原数据中移除，后续不再参与匹配。比如示例中Brother Lawn care会先匹配到lawn关键词，因此分类为Landscaping，符合期望结果。
• 如果有未匹配到的行，函数会自动将其分类为OTHER。

内容的提问来源于stack exchange，提问作者Linda