如何在R中更高效使用stringr与forcats包开展流水线数据分析

stringr的函数完全可以嵌入dplyr的管道流程，不需要单独赋值列或者强制转换为单列处理，配合mutate()函数即可实现全流程串联，针对不同场景有对应写法：

单列处理示例（对应你的演示代码） #

# 加载所需包
library(dplyr)
library(stringr)

# 生成测试数据
name <- c('D', 'E', 'F', 'G', 'd', 'e', 'f' )
room <- rep(c('A','B'),c(4,3))
goal <- c(rnorm(7,mean=60,sd=10))
test <- data.frame(name,goal,room)

# 管道流式处理：替换字符后直接分组汇总
test %>% 
  mutate(name = str_replace(name, 'G', 'H')) %>% # 直接在mutate里调用stringr函数处理指定列
  group_by(name) %>% 
  summarise(total_goal = sum(goal))

多列批量处理示例 #

如果需要对多列字符串做统一处理，用across()即可，无需拆分数据集：

test %>% 
  # 对所有字符列统一做小写转换
  mutate(across(where(is.character), ~str_to_lower(.x))) %>%
  group_by(name) %>%
  summarise(total_goal = sum(goal))

需折叠为单列处理的场景 #

如果业务要求必须先把多列转为单列做字符串处理，可配合tidyr的长宽转换函数在同一条管道内完成流转，不需要中间赋值：

library(tidyr)
test %>%
  pivot_longer(cols = c(name, room), names_to = "col_type", values_to = "str_val") %>%
  mutate(str_val = str_to_upper(str_val)) %>% # 对折叠后的所有字符串统一处理
  pivot_wider(names_from = col_type, values_from = str_val) %>% # 转回原始宽表结构
  group_by(name) %>%
  summarise(total_goal = sum(goal))

不需要拆分数据集再合并，只需要在mutate()中加入条件判断，仅对符合要求的行做因子重编码即可，不会影响其他行的因子水平：

library(dplyr)
library(forcats)

# 生成测试数据
name1 <- c('D', 'E', 'F', 'G', 'D', 'E', 'F' )
room <- rep(c('A','B'),c(4,3))
goal <- c(rnorm(7,mean=60,sd=10))
test1 <- data.frame(name1,goal,room)

# 仅对room为B的行重编码因子，不影响room为A的记录
test1 <- test1 %>%
  mutate(name1 = if_else(
    condition = room == 'B',
    true = fct_recode(name1, 'DD'='D','EE'='E','FF'='F'),
    false = name1
  ))

如果有多个判断条件，可以用case_when()替代if_else()。原示例代码的疏漏是对test1B做重编码后没有回赋值给test1B，最终合并的还是未修改的原始数据，上述写法可以直接避免这类中间变量赋值的错误。

内容的提问来源于stack exchange，提问作者Tenstu