R语言中变量值录入格式不一时如何用group_by正确分组统计

直接基于原始录入的customer_name字段分组会因为录入格式差异拆分同一客户，需要先对姓名做标准化清洗，再基于清洗后的标准字段执行分组统计即可。

常见录入噪声类型 #

你当前遇到的姓名差异主要分两类：

• 大小写格式不统一：同一姓名存在大小写混用的情况
• 冗余附加信息：录入时附带了身份备注、年份等非姓名核心内容

实现代码 #

依赖tidyverse生态的dplyr做数据处理、stringr做字符串清洗，代码如下：

library(tidyverse)

customer_grouped <- customer_dataset %>%
  mutate(
    # 统一转小写，消除大小写差异
    customer_name_std = str_to_lower(customer_name),
    # 截断冗余后缀：匹配备注关键词、逗号等分隔符前的内容，保留核心姓名
    # 可根据实际数据里的冗余内容，往匹配规则里追加关键词
    customer_name_std = str_extract(customer_name_std, "^.*?(?= the actor|,|$)"),
    # 去除首尾多余空格，统一转为首字母大写的规范姓名格式
    customer_name_std = str_trim(customer_name_std),
    customer_name_std = str_to_title(customer_name_std)
  ) %>%
  # 基于标准化后的姓名字段分组计数
  group_by(customer_name_std) %>%
  summarise(order_count = n(), .groups = "drop")

效果说明 #

针对你给出的示例数据，所有存在大小写差异、带后缀备注的条目，清洗后都会被统一归为Will Smith分组，最终统计得到的总订单数为56，不会再出现同一客户被拆分到多个分组的问题。

扩展提示：如果后续数据中出现其他姓名录入差异（比如错别字、昵称、中间名缩写），只需要在mutate清洗步骤中补充对应的字符串处理规则即可，后续分组统计逻辑无需调整。

内容的提问来源于stack exchange，提问作者Anh Duy