RStudio 含词汇重叠的文本列新增分类列的匹配失效问题

匹配失效的核心来自两个逻辑错误，和分类规则存在公共关键词没有直接关系：

• 匹配逻辑误用：df$DESC %in% "black"属于整字符串完全等值匹配，只会返回「DESC整段内容和"black"完全相等」的行，无法识别“包含black子串的长文本”。示例数据中没有任何一行DESC是纯"black"，因此第一个判断永远不会触发。
• 规则优先级倒置：哪怕换成支持子串匹配的函数，如果把“只匹配black就归为1”的宽泛规则放在判断最外层，所有带组合关键词（如black and white）的文本都会被先判定为1，轮不到后续细分分类的判断，看起来就像公共关键词导致了匹配冲突。

第一步：修正示例数据初始化语法 #

原代码里多值赋值没有加c()，会触发R语法错误，正确初始化代码：

df <- data.frame(
  DESC = c(
    "the night sky is black", 
    "a black and white zebra", 
    "horrible black and gold", 
    "Halloween black and green", 
    "black and white stripes", 
    "black and green flag"
  )
)

第二步：按规则优先级实现分类 #

需要用grepl()做子串包含判断，同时把最细分、最长的组合关键词规则放在判断最前面，最宽泛的纯关键词规则放在最后兜底。

基础嵌套ifelse写法 #

df$category <- ifelse(
  grepl("black and white", df$DESC, fixed = TRUE), '2',
  ifelse(
    grepl("black and gold", df$DESC, fixed = TRUE), '3',
    ifelse(
      grepl("black and green", df$DESC, fixed = TRUE), '4',
      ifelse(
        grepl("black", df$DESC, fixed = TRUE), '1',
        ""
      )
    )
  )
)

参数说明：grepl()的作用是判断每个文本条目内是否包含目标子串，返回对应逻辑值；加fixed = TRUE是跳过正则表达式解析，直接做纯文本匹配，既可以避免关键词里的特殊字符导致匹配错误，也能提升运行效率。

高可维护性写法（基于dplyr） #

如果分类规则数量多，嵌套ifelse可读性很差，用dplyr::case_when可以平铺所有规则，不需要嵌套，逻辑更清晰：

library(dplyr)
df <- df %>%
  mutate(
    category = case_when(
      grepl("black and white", DESC, fixed = TRUE) ~ '2',
      grepl("black and gold", DESC, fixed = TRUE) ~ '3',
      grepl("black and green", DESC, fixed = TRUE) ~ '4',
      grepl("black", DESC, fixed = TRUE) ~ '1',
      .default = ""
    )
  )

运行上述代码后，生成的category列结果为"1", "2", "3", "4", "2", "4"，和预期分类完全一致。

内容的提问来源于stack exchange，提问作者alminmd