R语言如何将期刊描述符字符串转换为二进制向量用于聚类

核心思路 #

你之前的代码失效原因是Categories4dist列存储的是空格拼接的多分类字符串，没有拆分为独立的分类单元，直接用完全匹配逻辑即可避免你担心的子串误匹配问题，不需要用到grep类的模糊匹配。

单条记录转换示例 #

# 把单条多分类字符串拆分为独立分类向量
single_cats <- unlist(strsplit(journals_STEM$Categories4dist[1], split = " "))
# 生成266维0/1向量，完全匹配避免子串误判
binary_vec <- as.numeric(isolated_cat %in% single_cats)

批量转换为聚类可用的二进制矩阵 #

直接批量处理整列，输出的矩阵每行对应一个期刊，每列对应isolated_cat中的分类，可直接用于后续PCA、聚类计算：

binary_matrix <- t(sapply(journals_STEM$Categories4dist, function(x) {
  # 用\\s+匹配任意长度空白，避免多空格、制表符导致的拆分错误
  current_cats <- unlist(strsplit(x, split = "\\s+"))
  as.numeric(isolated_cat %in% current_cats)
}))

# 给矩阵列名绑定分类名，方便后续结果解读
colnames(binary_matrix) <- isolated_cat

如果需要把二进制特征合并回原数据框，直接用cbind(journals_STEM, binary_matrix)即可。

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