R语言中单元格多值变量的分类与ID统计问题求助

问题分析 #

原代码的核心问题：

• 仅能处理单个国家的单元格，对逗号分隔的多值单元格完全无效
• 存在变量名拼写错误（dataset和data.set混用）
• 单值匹配的赋值逻辑无法覆盖多值场景

解决方案（推荐用tidyverse工具链，新手友好） #

先安装并加载必备工具包：

install.packages("tidyverse") # 一次性安装dplyr、tidyr等常用包
library(tidyverse)

步骤1：准备测试数据与映射规则 #

先复刻你提供的示例数据，同时定义清晰的国家-收入分类映射：

# 构造示例数据
data.set <- tibble(
  ID = c(1, 2, 3, 1),
  countries = c("x, y, z", "y", "x, z", "z")
)

# 定义国家到income分类的映射表
country_income_map <- tribble(
  ~country, ~income,
  "x", "LMIC",
  "y", "HMIC",
  "z", "UMIC"
)

步骤2：拆分多值单元格并匹配分类 #

把逗号分隔的国家拆成单独行，再批量匹配对应的收入分类：

processed_data <- data.set %>%
  # 拆分countries列，每个国家单独占一行
  separate_rows(countries, sep = ",\\s*") %>% # 匹配逗号加任意空格
  # 清理国家名前后的多余空格
  mutate(countries = str_trim(countries)) %>%
  # 根据映射表自动匹配income分类
  left_join(country_income_map, by = c("countries" = "country"))

步骤3：统计各分类下的唯一ID数量 #

如果要统计每个收入分类下有多少不同的ID（避免重复计数同一ID）：

id_count <- processed_data %>%
  distinct(ID, income) %>% # 去重同一ID同一分类的重复项
  count(income, name = "unique_ID_count")

print(id_count)

运行后输出结果：

# A tibble: 3 × 2
  income unique_ID_count
  <chr>           <int>
1 HMIC                2
2 LMIC                2
3 UMIC                2

可选：还原为原多值单元格格式 #

如果需要保留原始数据的行结构，把同一行的income合并成逗号分隔的字符串：

final_data <- processed_data %>%
  group_by(ID) %>%
  summarise(
    countries = str_c(countries, collapse = ", "),
    income = str_c(income, collapse = ", "),
    .groups = "drop"
  )

print(final_data)

结果和你给出的示例完全一致：

# A tibble: 4 × 3
     ID countries income          
  <dbl> <chr>     <chr>           
1     1 x, y, z   LMIC, HMIC, UMIC
2     1 z         UMIC            
3     2 y         HMIC            
4     3 x, z      LMIC, UMIC      

基础R替代方案（无需额外包） #

如果不想用tidyverse，用基础R也能实现：

# 定义映射向量
income_map <- c("x" = "LMIC", "y" = "HMIC", "z" = "UMIC")

# 批量处理每行的countries，生成income列
data.set$income <- sapply(data.set$countries, function(cntry) {
  # 拆分国家列表并清理空格
  cntry_list <- strsplit(trimws(cntry), ",\\s*")[[1]]
  # 匹配映射并合并成字符串
  paste(income_map[cntry_list], collapse = ", ")
})

# 统计唯一ID数量
# 先转成长格式数据
long_data <- stack(setNames(strsplit(data.set$countries, ",\\s*"), data.set$ID))
long_data$ID <- as.numeric(long_data$ind)
long_data$income <- income_map[trimws(long_data$values)]

# 去重后统计
id_count_base <- aggregate(ID ~ income, unique(long_data), length)
colnames(id_count_base)[2] <- "unique_ID_count"

print(id_count_base)

内容的提问来源于stack exchange，提问作者aml129