R语言合并拼写/命名不一致的分类行并对数值求和

问题背景 #

现有大型数据集每行对应一个独立分类，但category分类列存在拼写错误、命名不统一问题，导致同一实际分类对应多条数据行，需要合并指定重复分类行，并对对应数值列按年份求和。

输入输出要求 #

• 输入数据框结构：包含category分类列，以及2021、2022、2023三个年份数值列
• 测试数据行内容：
  • Grain：三年数值分别为890、900、978
  • Dried Fruits and Veg：三年数值分别为45、55、58
  • Dried Fruits & Veg：三年数值分别为66、74、88
• 预期输出：
  • Grain行数值保持不变
  • 两个果干类分类合并为Dried Fruits and Veg，对应年份数值求和

原有失败代码 #

DF %>% 
  mutate_at(c(2021:2023), cumsum(starts_with("Dried Fruits")))

可复现测试数据构造代码 #

注：原构造代码中第二列年份笔误写为2020，已按需求修正为2022

df <- data.frame(
  stringsAsFactors = FALSE,
              category = c("Grain",
                       "Dried Fruits and Veg","Dried Fruits & Veg"),
              "2021" = c(890L, 45L, 66L),
              "2022" = c(900L, 55L, 74L),
              "2023" = c(978L, 58L, 88L)
)

原有代码问题说明 #

• mutate_at仅用于修改现有列值，无法实现行维度的合并汇总，分组聚合需要搭配group_by+summarise实现
• c(2021:2023)是按列位置索引取列，数据集总列数仅4列，该写法会直接触发下标越界错误
• cumsum()是逐行累计求和函数，不是分组聚合用的sum()，且不能直接在mutate_at中传入starts_with这类选择器作为函数参数

正确实现代码 #

方法1：按规则匹配统一分类名（适合别名有统一命名规律的场景） #

library(dplyr)

df %>%
  # 统一分类命名：所有以Dried Fruits开头的分类都映射为标准名
  mutate(category = case_when(
    grepl("^Dried Fruits", category) ~ "Dried Fruits and Veg",
    TRUE ~ category
  )) %>%
  # 按统一后的分类分组，对所有数值列求和
  group_by(category) %>%
  summarise(across(where(is.numeric), sum), .groups = "drop")

方法2：手动指定映射表（适合别名无规律、大型数据集多别名维护场景） #

library(dplyr)

# 维护分类别名与标准名的映射关系，新增别名直接在向量中追加即可
category_mapping <- c(
  "Dried Fruits & Veg" = "Dried Fruits and Veg"
)

df %>%
  mutate(category = recode(category, !!!category_mapping)) %>%
  group_by(category) %>%
  summarise(across(where(is.numeric), sum), .groups = "drop")

运行代码得到的输出结果如下：

注：描述中提到的2022年预期值62与两个分类对应数值求和结果（55+74=129）不符，代码按数值列实际值求和，若预期值为62请核对原始数据的数值录入是否正确。

内容的提问来源于stack exchange，提问作者somewhat_confused