R语言数据清洗求助：标准化汽车驱动类型字段值

Hey there! 作为R语言新手碰到这种非标准化的文本数据确实挺闹心的，不过咱们完全不用逐个编码枚举那些乱七八糟的写法，用模糊匹配的思路就能高效统一成标准值，下面给你几个实用的方法：

方法1：用stringr做关键词模糊匹配（最适合你的场景） #

既然你已经把所有文本转成大写了，咱们可以直接检测字符串里的核心关键词，把包含这些关键词的内容统一替换成4WD。

首先加载stringr包（如果没装先跑install.packages("stringr")）：

library(stringr)

假设你的数据框叫df，驱动类型列是drive_type，处理代码如下：

# 确保文本已转大写（你已经完成这步，这里可以再确认下）
df$drive_type <- str_to_upper(df$drive_type)

# 模糊匹配替换为标准值
df$drive_type_clean <- case_when(
  # 匹配包含4、FOUR、WD、WHEEL的所有内容，统一为4WD
  str_detect(df$drive_type, regex("4|FOUR|WD|WHEEL")) ~ "4WD",
  # 如果还有两轮驱动的不规范写法，可以加这条规则
  str_detect(df$drive_type, regex("2|TWO|2WD")) ~ "2WD",
  # 其他未匹配到的内容保留原值，或者设为NA（把df$drive_type换成NA即可）
  TRUE ~ df$drive_type
)

要点：str_detect会扫描整个字符串，只要包含任意一个指定关键词就会触发替换，不管原字符串是4 WHEEL drive还是Four-Wheel-Drive都能命中，完美解决你的问题。

方法2：用stringdist做近似拼写匹配（适合有拼写错误的情况） #

如果数据里还有拼写错误（比如把4WD写成4WHD），可以用编辑距离来匹配最接近的标准值：

先安装并加载stringdist包：

install.packages("stringdist")
library(stringdist)

然后定义你的标准驱动类型，再做匹配：

# 定义所有标准驱动类型
standard_drives <- c("4WD", "2WD", "FWD", "RWD")

# 找到每个原始值最匹配的标准值（maxDist是允许的最大编辑距离，可调整）
df$drive_type_clean <- standard_drives[amatch(df$drive_type, standard_drives, maxDist = 5)]

方法3：用fuzzyjoin做规则映射表匹配（适合后续扩展） #

如果之后要添加更多规则，或者想把规则集中管理，可以做一个关键词映射表，然后用模糊连接来匹配：

安装并加载fuzzyjoin和tibble包：

install.packages(c("fuzzyjoin", "tibble"))
library(fuzzyjoin)
library(tibble)

创建映射表并做连接：

# 创建关键词-标准值映射表
drive_mapping <- tibble(
  standard_drive = c("4WD", "2WD"),
  match_keyword = c("4|FOUR|WD|WHEEL", "2|TWO|2WD")
)

# 模糊连接并生成清洗后的列
df_clean <- df %>%
  regex_left_join(drive_mapping, by = c("drive_type" = "match_keyword")) %>%
  # 优先用匹配到的标准值，没匹配到的保留原内容
  mutate(drive_type_clean = coalesce(standard_drive, drive_type)) %>%
  # 移除临时列
  select(-standard_drive, -match_keyword)

小提示：处理前可以先跑unique(df$drive_type)看看所有的原始值，这样能确保你的关键词覆盖了所有情况，避免遗漏。

内容的提问来源于stack exchange，提问作者tshurtz