R语言如何基于location列创建含三类字符串分类的新列

精确匹配方案（适配预先定义好完整取值列表的场景） #

首先确保你预先定义的分类匹配列表是字符向量格式，参考示例：

# 替换为你自己整理的实际取值即可
EUplus_list <- c("Germany", "France", "United Kingdom", "Italy", "Spain", "Netherlands", "Sweden", "Norway", "Switzerland")
americas_list <- c("United States", "USA", "Canada", "Mexico", "Brazil", "Argentina", "Colombia")

直接用dplyr::mutate配合case_when写逻辑即可，这是处理tibble最稳定的写法，不会出现长度不匹配、取值错位的问题：

library(tidyverse)
# 把df替换成你自己的数据集名称
df <- df %>%
  mutate(
    region = case_when(
      location %in% EUplus_list ~ "EUplus",
      location %in% americas_list ~ "americas",
      TRUE ~ "other"
    )
  )

之前代码运行异常的常见原因 #

• 误用==做批量匹配：==仅支持单值对等判断，匹配多值列表必须用%in%，否则会触发长度不匹配警告，返回结果完全错位。
• 未设置兜底规则：case_when按顺序判断匹配，如果不写最后一行TRUE ~ "other"，所有不在两个匹配列表里的取值（包括location为空的NA值）都会返回NA，不会自动归类为other。
• 未清洗格式差异：推特用户填写的location常存在前后多余空格、大小写混乱问题，比如实际值为" usa "、"france"时，会和列表里的"USA"、"France"匹配失败，可以先做一轮简单清洗再匹配：

df <- df %>%
  mutate(
    # 统一转小写、去除首尾空格
    location_clean = str_to_lower(str_trim(location)),
    region = case_when(
      location_clean %in% str_to_lower(EUplus_list) ~ "EUplus",
      location_clean %in% str_to_lower(americas_list) ~ "americas",
      TRUE ~ "other"
    )
  )

模糊匹配方案（适配location包含城市、地区后缀的场景） #

如果你的location列不是纯国家/地区取值，而是类似"Paris, France"、"Brooklyn, NY, USA"这类带后缀的内容，改用关键词检测做模糊匹配即可：

df <- df %>%
  mutate(
    region = case_when(
      str_detect(str_to_lower(location), paste(str_to_lower(EUplus_list), collapse = "|")) ~ "EUplus",
      str_detect(str_to_lower(location), paste(str_to_lower(americas_list), collapse = "|")) ~ "americas",
      TRUE ~ "other"
    )
  )

结果校验 #

跑完代码后执行count(df, region)即可查看三个分类的样本量，如果other分类占比异常高，抽取几条other类别的location取值检查，补充遗漏的匹配项即可。

内容的提问来源于stack exchange，提问作者sabrina