dplyr链式操作中统计字符串按分隔符拆分后的子串数量

问题原因 #

str_split()对向量输入会返回一个列表，列表总长度等于输入的y列的行数（本案例为3），你直接对整个列表取length()得到的是列表本身的长度3，mutate会把这个值循环填充到所有行，所以所有行的z值都返回3。

正确实现方案 #

下面是几种可在dplyr链式操作中使用的实现方法：

方法1：统计分隔符数量（最高效）

不需要拆分字符串，直接统计分号的数量加1即可，原理是n个元素用分号分隔时，分号数量固定为n-1，适合处理大数据量场景：

library(dplyr)
library(stringr)

mydf <- mydf %>% 
  mutate(z = str_count(y, ';') + 1)

方法2：结合purrr::map_int逐元素取长度

如果需要先拆分字符串做后续其他处理，可用map_int遍历拆分后的列表，逐行取子向量长度：

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

# 分隔符匹配分号加空格，避免拆分后的子串带前导空格
mydf <- mydf %>% 
  mutate(z = map_int(str_split(y, '; '), length))

方法3：用rowwise逐行运算

不想引入purrr依赖的话，可以用dplyr的行分组实现逐行计算：

library(dplyr)
library(stringr)

mydf <- mydf %>% 
  rowwise() %>% 
  mutate(z = length(str_split(y, '; ', simplify = TRUE))) %>% 
  ungroup() # 处理完成后取消行分组，避免影响后续操作

内容的提问来源于stack exchange，提问作者Doug Fir