R语言StringR正则实现市场篮子分析商品提取去重问题

核心思路 #

• 先通过正则匹配仅作为商品分隔符的逗号：跳过包裹在双引号内部的逗号（这类逗号属于商品名的一部分），拆分得到完整的商品列表
• 移除商品名首尾的包裹引号后，对单订单内的商品去重

调整后代码 #

library(tidyverse)

tran_pay4 %>%
  as.data.frame() %>%
  mutate(
    # 拆分不在双引号内的逗号作为商品分隔符
    product_name = str_split(product_name, ',(?=(?:[^"]*"[^"]*")*[^"]*$)'),
    # 移除商品名首尾的包裹引号，单订单内去重
    product_name = map(product_name, ~ str_remove_all(.x, '^"|"$') %>% unique())
  )

说明 #

• 正则,(?=(?:[^"]*"[^"]*")*[^"]*$)是CSV格式拆分的通用规则，仅匹配不在双引号包裹范围内的逗号，完美适配商品名自带逗号的场景
• 如果你的数据集用单引号包裹含逗号的商品，把代码里所有的双引号替换为单引号即可
• 处理后product_name为列表列，每个元素是对应订单去重后的完整商品列表，可直接用于后续市场篮子分析的事务转换

内容的提问来源于stack exchange，提问作者Vayder