如何在R中逐词比较数据集的两个字符串变量并生成新列

看起来你已经理清了逐词对比的核心逻辑，但还没把它适配到整个数据集的批量处理上。我来帮你调整代码，让它能高效处理数据框里的每一行。

核心思路 #

先把逐词对比的逻辑封装成一个独立函数，然后用向量化工具（比如purrr::map2或者base R的mapply）把这个函数应用到数据集的每一对var1和var2上，生成new_var列。

完整代码实现 #

1. 加载依赖包并构造示例数据集 #

library(dplyr)
library(stringr)
library(purrr)

# 构造和你示例一致的数据集
df <- tibble(
  var1 = c("sentence numer one", "another one is here"),
  var2 = c("setence numer two", "aner one are hre")
)

2. 编写逐词对比函数 #

这个函数接收两个句子字符串，返回格式化后的差异词对：

compare_sentences <- function(s1, s2) {
  # 将两个句子拆分成词向量
  words1 <- str_split(s1, "\\s+")[[1]]
  words2 <- str_split(s2, "\\s+")[[1]]
  
  # 筛选出词不同的位置，格式化成"词1:词2"的形式
  diff_pairs <- paste(words1[words1 != words2], words2[words1 != words2], sep = ":")
  
  # 用" + "把所有差异词对连接起来，没有差异则返回空字符串
  paste(diff_pairs, collapse = " + ")
}

3. 批量应用到数据集 #

用dplyr::mutate结合purrr::map2_chr来处理每一行：

df <- df %>%
  mutate(new_var = map2_chr(var1, var2, compare_sentences))

或者用base R的方式，不需要dplyr和purrr：

df$new_var <- mapply(compare_sentences, df$var1, df$var2)

4. 查看结果 #

运行后你的数据集会变成：

# A tibble: 2 × 3
  var1                var2                new_var                        
  <chr>               <chr>               <chr>                         
1 sentence numer one  setence numer two   sentence:setence + one:two     
2 another one is here aner one are hre    another:aner + is:are + here:hre

为什么你原来的代码没法处理数据集？ #

你的原代码有两个关键问题：

• 它是针对单个字符串写的循环，没有考虑到数据集的行维度，没法批量处理多对句子
• 用cat直接把结果输出到控制台，没有把结果存储成变量，自然没法生成新列

而封装函数+向量化操作的方式，既保证了逻辑的复用性，又能高效处理整个数据集的每一行。

扩展：处理词数不同的句子 #

如果你的数据集里存在词数不同的句子，可以稍微调整函数，对齐两个句子的词数：

compare_sentences <- function(s1, s2) {
  words1 <- str_split(s1, "\\s+")[[1]]
  words2 <- str_split(s2, "\\s+")[[1]]
  
  # 对齐两个词向量的长度，短的用NA填充
  max_len <- max(length(words1), length(words2))
  words1 <- c(words1, rep(NA, max_len - length(words1)))
  words2 <- c(words2, rep(NA, max_len - length(words2)))
  
  # 筛选差异词对并去掉NA的情况
  diff_pairs <- paste(words1[words1 != words2], words2[words1 != words2], sep = ":")
  diff_pairs <- diff_pairs[!is.na(diff_pairs)]
  
  paste(diff_pairs, collapse = " + ")
}

内容的提问来源于stack exchange，提问作者Ewa Grabowska