R语言中使用filter、str_detect删除麸质过敏参与者全量数据时逻辑失效

偏差根源 #

• 原代码在分组后未做组级整体判断，逐行校验dv列是否匹配gluten关键词，仅保留匹配到的行，既没有发挥group_by的分组作用，也和“剔除存在匹配内容的参与者全量数据”的目标完全反向。
• 最终运行结果等同于无分组的逐行筛选：凡是回答内容不带gluten的行都被删掉，只留下提到gluten的行，自然会出现“只留gluten相关行、没有删除对应参与者所有数据”的问题。

核心修正逻辑 #

按user_id完成分组后，需要对每个分组做一次整体校验：只要组内任意一行的回答包含gluten相关内容，就将该分组下的所有行全部排除，而非逐行筛选匹配内容。其中any()函数是实现该逻辑的核心——它会把组内逐行的匹配结果汇总成一个单值逻辑判断，而非逐行返回筛选结果。

修正后可直接运行的代码 #

library(dplyr)
library(stringr)

# 生成剔除gluten相关参与者的干净分析数据集
my_data_cleaned <- my_data_raw_quest %>%
  # 按参与者ID分组，锁定判断维度
  group_by(user_id) %>%
  filter(
    # 关键判断：若当前参与者的任意一行回答匹配到gluten，就排除整个组
    !any(str_detect(
      string = dv,
      # 自动忽略大小写匹配，无需手动写"(G|g)luten"的分支
      pattern = regex("gluten", ignore_case = TRUE)
    ))
  ) %>%
  # 分析数据集记得取消分组，避免后续汇总操作受分组逻辑干扰
  ungroup()

实操校验提示 #

可以提前单独提取所有涉及gluten回答的参与者ID，用于人工抽检匹配规则是否准确：

# 导出所有提到gluten的参与者ID清单
gluten_related_user <- my_data_raw_quest %>%
  filter(str_detect(dv, regex("gluten", ignore_case = TRUE))) %>%
  distinct(user_id)

内容的提问来源于stack exchange，提问作者CodingN00b01