如何按特定条件提取字符串，并用dplyr实现数据集字符串替换与分组

Hey Chloe, let's break down your two questions step by step using dplyr and stringr (a package that pairs perfectly with dplyr for string manipulation):

1. 按特定条件提取字符串 #

假设你的数据集有一列类似offense_type，包含值如NARC-SELL、NARC-POSSES、FRAUD（甚至带毒品种类的变体，比如NARC-SELL-HEROIN），我们可以用正则表达式精准提取需要的部分：

提取主类别（如NARC、FRAUD） #

如果你想把每个记录归类到顶级类别：

# 先加载必要的包
library(dplyr)
library(stringr)

# 提取开头的大写字母前缀（NARC/FRAUD）
df <- df %>%
  mutate(offense_category = str_extract(offense_type, "^[A-Z]+"))

^[A-Z]+是正则表达式，匹配字符串开头的所有大写字母，刚好能提取出NARC或FRAUD这类主类别。

提取具体行为（如SELL、POSSES） #

如果需要提取-后面的行为类型（忽略毒品种类）：

df <- df %>%
  mutate(offense_action = str_extract(offense_type, "(?<=-)[A-Z]+"))

(?<=-)是正向预查，意思是“匹配紧跟在-后面的内容”，[A-Z]+则提取后续的大写字母，这样就能得到SELL或POSSES，自动跳过后面的毒品种类后缀。

2. 按不同条件替换字符串并分组 #

你提到要区分NARC-SELL和NARC-POSSES但忽略毒品种类，同时保留FRAUD的独立性，之后用dplyr分组统计。这里分两步：先清洗字符串，再分组。

第一步：按条件替换/清洗字符串 #

我们可以用case_when（适合多条件分支）或者str_replace（适合正则批量替换）来统一格式：

方法1：用case_when明确分支

df <- df %>%
  mutate(cleaned_offense = case_when(
    # 匹配所有包含NARC-SELL的记录，统一替换为NARC-SELL
    str_detect(offense_type, "NARC-SELL") ~ "NARC-SELL",
    # 匹配所有包含NARC-POSSES的记录，统一替换为NARC-POSSES
    str_detect(offense_type, "NARC-POSSES") ~ "NARC-POSSES",
    # 所有FRAUD相关记录统一为FRAUD
    str_detect(offense_type, "FRAUD") ~ "FRAUD",
    # 其他类型保持原样（可选）
    TRUE ~ offense_type
  ))

方法2：用str_replace批量替换更简洁

如果你的offense_type格式都是类别-行为-毒品种类，可以用正则一次性去掉毒品种类后缀：

df <- df %>%
  mutate(cleaned_offense = str_replace(offense_type, "(NARC-(SELL|POSSES))-.+", "\\1"))

这个正则的意思是：匹配NARC-SELL或NARC-POSSES后面的所有内容，然后替换成前面捕获的分组\\1（也就是保留NARC-SELL/NARC-POSSES），自动忽略后面的毒品种类。

第二步：用dplyr分组统计 #

清洗完字符串后，就可以按处理后的cleaned_offense分组，做你需要的统计（比如计数、平均值等）：

# 分组并计算每个类别的记录数和平均刑期（假设你有sentence_length列）
offense_summary <- df %>%
  group_by(cleaned_offense) %>%
  summarise(
    total_cases = n(),
    average_sentence = mean(sentence_length, na.rm = TRUE)
  )

内容的提问来源于stack exchange，提问作者Chloe