在R中为多值分隔的语言变量生成英语标识0/1哑变量

你之前使用model.matrix的方法不适用该场景，因为model.matrix会将language_spoken列的每一个完整字符串作为独立分类水平生成哑变量，不会单独匹配字符串中是否包含Eng子串，因此无法得到预期结果。

前置示例数据集构造 #

data <- data.frame(language_spoken = c("Jap;Fre","Jap;Fre","Fre;Ch","Eng","Eng;Jap","Hindi;Eng","","Eng;Spanish;Fre","Spanish;Jap","Spanish"))

方案1：基础R实现 #

核心用grepl函数做字符串模式匹配，将返回的逻辑值直接转为整数即可得到0/1标识：

data$Eng <- as.integer(grepl("Eng", data$language_spoken))

方案2：tidyverse生态实现 #

如果习惯用dplyr和stringr处理数据，可以用以下写法：

library(dplyr)
library(stringr)
data <- data %>%
  mutate(Eng = as.integer(str_detect(language_spoken, "Eng")))

最终处理结果 #

运行上述任意一种方案后，得到的数据框和预期完全一致：

language_spoken Eng
1         Jap;Fre   0
2         Jap;Fre   0
3          Fre;Ch   0
4             Eng   1
5         Eng;Jap   1
6       Hindi;Eng   1
7                   0
8 Eng;Spanish;Fre   1
9      Spanish;Jap   0
10        Spanish   0

内容的提问来源于stack exchange，提问作者joy_1379