R/dplyr：宽长格式表关联方法，合并地址表与社区区域统计数据

优先使用dplyr搭配stringr处理，核心思路是将长表的统计数据按维度拆分后分别关联，全程符合tidyverse语法规范，逻辑清晰易维护。

步骤1：加载依赖包 #

library(dplyr)
library(stringr)

步骤2：预处理统计长表 #

首先修正样例数据中type列的拼写错误，提取去掉前缀的纯ID，再按维度拆分为社区、片区两个统计子表：

# 统一清洗统计长表
stat_clean <- neighborhood_area_data %>%
  # 修正type列拼写错误
  mutate(type = case_when(
    str_detect(type, "Neigh") ~ "Neighborhood",
    TRUE ~ "Area"
  )) %>%
  # 提取去除前缀的可关联ID
  mutate(join_id = str_remove(neighborhood_and_area, "^NEIGH_|^AREA_"))

# 拆分出社区维度统计表，重名字段避免关联后冲突
neigh_stat <- stat_clean %>%
  filter(type == "Neighborhood") %>%
  select(
    county, join_id,
    neighborhood_residents = Number_of_Residents,
    neighborhood_avg_age = Average_Age
  )

# 拆分出片区维度统计表，重名字段避免关联后冲突
area_stat <- stat_clean %>%
  filter(type == "Area") %>%
  select(
    county, join_id,
    area_residents = Number_of_Residents,
    area_avg_age = Average_Age
  )

步骤3：两次左连合并到地址表 #

通过county+对应维度ID双字段关联，保证跨县重名ID不会关联错误：

final_result <- adresses %>%
  # 关联社区统计数据
  left_join(neigh_stat, by = c("county" = "county", "neighborhood" = "join_id")) %>%
  # 关联片区统计数据
  left_join(area_stat, by = c("county" = "county", "area" = "join_id"))

方案优势 #

• 双字段关联规避了不同县存在同名社区/片区的关联错误问题
• 字段提前重命名避免关联后混淆社区、片区的统计指标
• 单步操作粒度小，排查匹配失败的异常值更方便
• 全程使用dplyr原生语法，性能适配百万级以上的地址数据量

内容的提问来源于stack exchange，提问作者TheNaidge