R语言中依据likes、dislikes双列数值对比为YouTube数据集新增分类列的实现

cut函数的适配性说明 #

cut函数核心定位是单向量分箱工具，原生不支持跨两列的逐元素直接比较逻辑。即便能写出依托cut的可运行代码，本质也是先计算跨列差值派生单值、再对单向量做分箱，写法冗余、边界场景容易出现判断错误，不推荐在这类跨列比较需求中使用。

可直接运行的实现方法 #

默认已通过yt_data <- read.csv("US_youtube_trending_data.csv")完成目标数据集读取，可根据日常代码习惯选择对应方案：

Base R 原生实现 #

R的逻辑运算符支持原生逐元素向量计算，无需编写循环，直接通过ifelse即可完成逐行比较赋值：

yt_data$vote_tag <- ifelse(
  yt_data$likes > yt_data$dislikes,
  "positive",
  "negative"
)

提示：如果遇到likes与dislikes数值相等的场景，上述代码会返回NA值，可根据分析需求嵌套补充判断规则适配相等场景

Tidyverse（dplyr）实现 #

使用dplyr生态的写法可读性更强，便于后续扩展额外判断规则：

library(dplyr)
yt_data <- yt_data %>%
  mutate(
    vote_tag = case_when(
      likes > dislikes ~ "positive",
      dislikes > likes ~ "negative",
      # 可自定义相等场景、缺失值的标注规则
      .default = "neutral"
    )
  )

Cut函数迂回写法（非推荐） #

如果一定要使用cut完成需求，需要先逐行计算两列的差值生成单值向量，再对单值做分箱映射标签，属于完全可省略的迂回实现：

# 逐行计算两列差值，生成单值向量
yt_data$vote_gap <- yt_data$likes - yt_data$dislikes
# 对差值向量分箱映射分类标签
yt_data$vote_tag <- cut(
  yt_data$vote_gap,
  breaks = c(-Inf, 0, Inf),
  labels = c("negative", "positive"),
  include.lowest = TRUE
)

这种写法没有发挥cut的跨列比较能力，反而多了冗余的中间列计算，且在likes == dislikes的边界值处理上容易出现误判，仅做演示参考。

实操注意事项 #

• 读取CSV后先通过str(yt_data)确认likes、dislikes为数值类型（integer/numeric），如果被识别为字符串或因子类型，逐行比较会出现结果错误，可通过as.numeric()做类型转换修正
• 若数据集存在likes或dislikes的缺失值，逐行比较的结果会自动生成NA，可根据分析需求补充规则映射缺失值的分类标签
• 上述所有向量化写法对Kaggle平台约20万行规模的YouTube趋势数据集来说，运行耗时均在毫秒级，无需编写逐行for循环，避免无意义的效率损耗

内容的提问来源于stack exchange，提问作者Mia P