基于字符串值创建哑变量：仅匹配完整单词而非复合词的技术问询

我懂你的痛点——想要标记出完全等于"product"的单词，结果连"productdesign"这种复合词也被误标了对吧？别担心，用正则表达式的单词边界就能完美解决这个问题！

核心思路：使用\b单词边界 #

正则表达式里的\b代表单词边界，它会匹配以下几种位置：

• 字符串的开头和第一个单词字符之间
• 单词字符和非单词字符之间
• 非单词字符和字符串结尾之间

简单说，它能帮你精准锁定"独立的完整单词"，而不会匹配包含这个单词的复合词。

R代码实现 #

方法1：使用基础R

直接用grepl结合单词边界来生成哑变量：

# 生成哑变量，仅匹配完整的"product"单词
toke2$product <- as.integer(grepl("\\bproduct\\b", toke$word))

注意：在R里反斜杠需要转义，所以要写成\\b而不是\b。

方法2：使用dplyr（更简洁的管道风格）

如果你习惯用tidyverse系列工具，这样写更清晰：

library(dplyr)

toke2 <- toke %>%
  mutate(
    product = as.integer(grepl("\\bproduct\\b", word))
  )

额外说明 #

如果需要忽略大小写（比如匹配"Product"、"PRODUCT"这些变体），只需要给grepl加上ignore.case = TRUE参数：

grepl("\\bproduct\\b", toke$word, ignore.case = TRUE)

这样运行后，只有word列里完全是"product"（或指定大小写变体）的行才会被标记为1，像"productdesign"、"productivity"这类复合词都会被正确标记为0。

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