R语言统计DataFrame各列模式匹配占比的报错问题求解

原始测试数据 #

# 修正了原定义中缺失的逗号语法错误
df <- data.frame(
  "Foo"=c("a","c","NG-c","d","e","f"), 
  "Bar"=c("b","b","c","d","e","f"), 
  "Baz" = c("a","a","c","NG-c","NG-c","d"),
  "Gaz" = c("NG-c","NG-c","NG-c", "NG-a","NG-a","NG-a")
)
pattern <- c("a","c")   

需求说明 #

对DataFrame的每一列按指定模式完成查找、计数、对比操作，查找所有匹配NG-c的内容，输出每一列中NG-c的数量占对应模式总匹配数的百分比最高的列名，预期输出Baz和Gaz两个列名。

原代码问题排查 #

报错原因 #

1. 循环索引写法错误：for (i in ncol(df))只会遍历列数这单个数值，不会遍历所有列，正确写法应为for (i in 1:ncol(df))，内层循环for (pt in length(patern))存在同样问题。
2. 边界值未处理：当列中没有匹配到目标模式时，总匹配数tot为0，计算ng/tot会得到NaN，导致if判断缺少布尔值触发报错。
3. 判断逻辑位置错误：if (bg[pt] >= res)写在内层循环外，此时pt已经是循环的最后一个值，逻辑完全不符合预期。

警告原因 #

df[i]取到的是DataFrame的子数据框对象，不是原子向量，str_count要求传入字符串向量参数，因此触发类型强制转换的警告。

优化实现方案 #

采用向量化操作代替嵌套循环，代码更简洁且避免索引错误：

library(stringr)

# 定义单列占比计算函数
calc_ngc_ratio <- function(col_vec, target = "c") {
  # 统计目标模式总匹配数（包含普通值和NG值）
  total_match <- sum(str_detect(col_vec, target))
  # 统计NG开头的目标模式匹配数
  ng_match <- sum(str_detect(col_vec, paste0("NG-", target)))
  # 处理总匹配数为0的边界情况
  return(ifelse(total_match == 0, 0, ng_match / total_match * 100))
}

# 批量计算所有列的NG-c占比
col_ratio <- sapply(df, calc_ngc_ratio)
# 筛选占比最高的列名
names(col_ratio[col_ratio == max(col_ratio)])

运行后输出结果为：

[1] "Baz" "Gaz"

完全符合预期。

内容的提问来源于stack exchange，提问作者TeoK