R语言实现dataframe新增列统计行内匹配词表的唯一词数

你可以通过「逐行拆分文本-去重-和目标词表取交集-统计交集长度」的逻辑实现需求，下面给出两种常用实现方式：

测试数据 #

首先复现示例用到的测试数据集：

person_id <- c("001", "002", "003")
grocery_list <- c("apple orange orange kiwi", "eggs milk apple apple", "apple orange banana")
df <- data.frame(person_id, grocery_list)
fruit_list <- c("apple", "orange", "banana") 

方法1：Base R 实现（无第三方依赖） #

不需要安装任何扩展包，直接用R内置函数即可完成计算：

df$fruit_count <- sapply(
  strsplit(df$grocery_list, split = " "),
  function(line_words) {
    # 对当前行的词汇去重，和目标词表取交集，统计交集元素个数
    length(intersect(unique(line_words), fruit_list))
  }
)

运行后打印df即可得到预期输出：

person_id             grocery_list fruit_count
1       001 apple orange orange kiwi           2
2       002    eggs milk apple apple           1
3       003      apple orange banana           3

方法2：Tidyverse 实现（适配管道工作流） #

如果你平时用dplyr生态处理数据，可以用下面的写法，逻辑和Base R版本完全一致：

library(dplyr)
library(stringr)

df <- df %>%
  rowwise() %>%
  mutate(
    fruit_count = length(intersect(unique(str_split_1(grocery_list, " ")), fruit_list))
  ) %>%
  ungroup()

场景适配提示 #

• 如果你的文本是多空格、制表符等任意空白分隔，可以把拆分参数从" "改成正则"\\s+"，适配所有空白分隔场景
• 如果需要忽略大小写匹配，可以在取交集前，把拆分得到的词汇统一转成小写（用tolower()函数），和同样转成小写的目标词表做匹配即可，避免大小写差异导致的匹配遗漏

内容的提问来源于stack exchange，提问作者RStudent