R统计数据框中标签多形式出现次数的警告与计数错误问题

问题原因说明 #

• 警告含义：argument is not an atomic vector; coercing 警告是因为stri_count_*和str_count系列函数的首个入参要求为字符串原子向量，你直接传入了data.frame类型的tdf，函数隐式将数据框转换为了向量。如果你的需求是统计全表所有单元格的内容，该转换本身不影响计算逻辑，但建议显式转换避免警告。
• NG前缀统计重复：原有代码存在两个问题，一是混淆了stri_count_fixed（固定字符串匹配）和正则匹配的用法，二是没有给NG-标签加左边界限制，导致ReviewNG-AI字符串末尾的NG-AI也被匹配到，最终统计值是真实NG前缀数量与ReviewNG前缀数量的总和。
• 纯标签统计偏差：原有代码一是匹配逻辑没有排除带前缀的场景，二是混合使用fixed匹配和regex对象导致匹配行为不符合预期，最终少统计了1条符合要求的记录。

修正后实现代码 #

基于stringr实现的准确统计方案如下：

library(tidyverse)
# 提前将全表内容转为原子向量，避免隐式转换警告
all_content <- unlist(tdf, use.names = FALSE)

# 封装标签统计函数，输入标签名返回四个维度的统计结果
count_tag <- function(target_tag) {
  # 1. 标签总出现次数
  total_cnt <- sum(str_count(all_content, 
    paste0("(?<=-|\\|)", target_tag, "(?=\\||$)")))
  # 2. 带ReviewNG-前缀的匹配次数
  rng_cnt <- sum(str_count(all_content, 
    paste0("(?<=\\|)ReviewNG-", target_tag, "(?=\\||$)")))
  # 3. 带NG-前缀的匹配次数
  ng_cnt <- sum(str_count(all_content, 
    paste0("(?<=\\|)NG-", target_tag, "(?=\\||$)")))
  # 4. 纯标签匹配次数
  pure_cnt <- sum(str_count(all_content, 
    paste0("(?<=\\|)(?<!-)", target_tag, "(?=\\||$)")))
  
  return(tibble(
    tag = target_tag,
    total = total_cnt,
    review_ng_prefix = rng_cnt,
    ng_prefix = ng_cnt,
    pure_tag = pure_cnt
  ))
}

# 测试AI标签统计
count_tag("AI")

运行结果 #

对AI标签统计的输出如下，和手动统计结果完全一致：

补充说明 #

原有直接使用str_count(tdf, pt)结果偏差的原因是：str_count对data.frame的默认处理逻辑不符合全表统计的预期，显式通过unlist将全表转为字符串向量后即可解决该问题。

内容的提问来源于stack exchange，提问作者TeoK