如何在R语言中提取数据框每行字符串的最常见单词？

首先给出原始数据框：

df <- data.frame(A = c("a, a, a, b, b, c, c", "a, a, b, b, b, b, c", "a, a, b, b"), B = c(3, 5, 8))

需求是：为变量A的每个观测值，提取以逗号分隔的字符串中出现频率最高的单词；若多个单词频率相同，需同时提取并用逗号分隔。

之前的代码错误地对整列所有元素统计频率，得到的是整列最常见的单词，无法按行处理，错误结果如下：

wrong_result <- data.frame(A = c("a, a, a, b, b, c, c", "a, a, b, b, b, b, c"), B = c(3, 5, 8), C = c("b", "b", "b"))

解决方案 #

方法1：基础R实现 #

定义一个处理单个字符串的函数，再用sapply按行应用：

# 定义函数：提取单个字符串中频率最高的元素（含并列情况）
get_most_freq <- function(s) {
  elements <- strsplit(s, ", ")[[1]]
  freq_table <- table(elements)
  max_freq <- max(freq_table)
  paste(names(freq_table[freq_table == max_freq]), collapse = ", ")
}

# 生成新列C
df$C <- sapply(df$A, get_most_freq)

方法2：tidyverse风格实现 #

如果习惯使用dplyr和purrr，可以用以下代码：

library(dplyr)
library(purrr)

df <- df %>%
  mutate(C = map_chr(A, function(s) {
    elements <- str_split(s, ", ")[[1]]
    freq_table <- table(elements)
    max_freq <- max(freq_table)
    paste(names(freq_table[freq_table == max_freq]), collapse = ", ")
  }))

运行后得到的期望结果：

result <- data.frame(A = c("a, a, a, b, b, c, c", "a, a, b, b, b, b, c", "a, a, b, b"), B = c(3, 5, 8), C = c("a", "b", "a, b"))

内容的提问来源于stack exchange，提问作者Anton