更换数据集来源后R代码结果不一致，手动创建DF则正常

我明白你遇到的困扰：手动构造测试数据时，用rowwise()+mutate()匹配公司名称的代码能正常运行，但替换成真实数据集后就得不到预期结果。这种情况通常是真实数据里存在测试数据没覆盖到的细节问题，下面一步步帮你排查和解决：

可能的原因与对应解决步骤 #

1. 数据类型不匹配 #

你手动构造的CompanyName和CompanyVariationsNames都是标准字符型，但真实数据里可能存在因子（factor）类型，或混入了数值、NA等非预期格式，这会直接导致匹配逻辑失效。

排查与修复代码：

# 先检查真实数据的字段类型
str(real_df1$CompanyName)
str(real_df2$CompanyVariationsNames)

# 如果是因子类型，统一转换为字符型
real_df1$CompanyName <- as.character(real_df1$CompanyName)
real_df2$CompanyVariationsNames <- as.character(real_df2$CompanyVariationsNames)

2. 大小写、特殊字符或空格干扰 #

测试数据的匹配是简单的大小写对应（比如Google ↔ google plc），但真实数据往往更复杂：比如全大写/小写混用、带标点（Google, Inc. vs google inc）、前后多余空格（Google vs google），这些都会让匹配逻辑“看漏”目标内容。

解决方案：统一预处理字符串

library(stringr)

# 定义清理字符串的函数：转小写、去标点、删多余空格
clean_string <- function(x) {
  x %>%
    str_to_lower() %>%
    str_remove_all("[[:punct:]]") %>%
    str_trim()
}

# 对两个数据框的字段做清理
real_df1$clean_name <- clean_string(real_df1$CompanyName)
real_df2$clean_variation <- clean_string(real_df2$CompanyVariationsNames)

之后用清理后的字段做匹配，能大幅提升准确率。

3. rowwise()的效率与隐性问题 #

如果真实数据量较大，rowwise()会非常缓慢，甚至可能因为内存或处理逻辑的隐性bug导致结果异常。更高效稳定的替代方案是用向量化匹配或模糊匹配工具。

推荐替代方案：用fuzzyjoin做模糊匹配

library(fuzzyjoin)
library(dplyr)

# 用模糊匹配关联两个数据框，规则是变体名包含清理后的标准公司名
matched_result <- real_df2 %>%
  mutate(clean_variation = clean_string(CompanyVariationsNames)) %>%
  fuzzy_inner_join(
    real_df1 %>% mutate(clean_name = clean_string(CompanyName)),
    by = c("clean_variation" = "clean_name"),
    match_fun = str_detect
  ) %>%
  select(CompanyVariationsNames, CompanyName)

这种方法比rowwise()高效得多，也更适合处理大规模真实数据。

4. 真实数据存在NA或空值 #

如果真实数据里的CompanyName或CompanyVariationsNames有NA、空字符串，rowwise()里的匹配逻辑会直接失效。

排查与处理：

# 检查NA和空值的数量
sum(is.na(real_df1$CompanyName) | real_df1$CompanyName == "")
sum(is.na(real_df2$CompanyVariationsNames) | real_df2$CompanyVariationsNames == "")

# 移除无效行
real_df1 <- real_df1 %>% filter(!is.na(CompanyName) & CompanyName != "")
real_df2 <- real_df2 %>% filter(!is.na(CompanyVariationsNames) & CompanyVariationsNames != "")

快速验证方法 #

可以从真实数据里抽一小部分样本测试，定位具体问题：

# 抽取10条标准名和20条变体名做测试
sample_df1 <- real_df1 %>% slice_sample(n = 10)
sample_df2 <- real_df2 %>% slice_sample(n = 20)

# 用你的原代码跑样本
test_sample <- sample_df2 %>% 
  rowwise() %>% 
  mutate(CompanyName = as.character(
    sample_df1$CompanyName[str_detect(CompanyVariationsNames, sample_df1$CompanyName)]
  ))

# 查看结果，对比手动预期，找到异常数据
print(test_sample)

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