从混乱的数据中创建一个虚拟变量

df |>
  mutate(dummy = case_when(
    messycol == "" ~ "",
    stringr::str_detect(messycol, "\\|15\\||\\|16\\|") ~ "1",
    TRUE ~ "0"
  ))

   messycol                    dummy
   <chr>                       <chr>
 1 ""                          ""   
 2 ""                          ""   
 3 ""                          ""   
 4 ""                          ""   
 5 ""                          ""   
 6 ""                          ""   
 7 "|15|16|32|33|36|39|40|41|" "1"  
 8 "|15|16|32|39|"             "1"  
 9 "|10|29|32|38|39|169|"      "0"  # edited input to show rejection 
10 "|115|39|"                  "0"  # edited input to show rejection
11 ""                          ""

一种选择是使用函数系列string::str_split中的一个成员purrr::map：

library(tidyverse)

dat |>
  mutate(
    dummy = map_chr(
      str_split(messycol, pattern = "\\|"),
      ~ as.character(+any(.x %in% c(15, 16)))
    ),
    dummy = if_else(messycol == "", messycol, dummy)
  )
#> # A tibble: 11 × 2
#>    messycol                    dummy
#>    <chr>                       <chr>
#>  1 ""                          ""   
#>  2 ""                          ""   
#>  3 ""                          ""   
#>  4 ""                          ""   
#>  5 ""                          ""   
#>  6 ""                          ""   
#>  7 "|15|16|32|33|36|39|40|41|" "1"  
#>  8 "|15|16|32|39|"             "1"  
#>  9 "|10|29|32|38|39|40|"       "0"  
#> 10 "|32|39|"                   "0"  
#> 11 ""                          ""

或者使用基础 R 你可以获得相同的结果例如像这样：

dat |>
  transform(dummy = vapply(
    strsplit(messycol, split = "\\|"),
    FUN = \(x) as.character(+any(x %in% c(15, 16))),
    FUN.VALUE = character(1)
  )) |>
  transform(dummy = ifelse(messycol == "", messycol, dummy))
#>                     messycol dummy
#> 1                                 
#> 2                                 
#> 3                                 
#> 4                                 
#> 5                                 
#> 6                                 
#> 7  |15|16|32|33|36|39|40|41|     1
#> 8              |15|16|32|39|     1
#> 9        |10|29|32|38|39|40|     0
#> 10                   |32|39|     0
#> 11

最后，另一个更详细的选项tidyverse是使用separate_longer_delim ：

dat |>
  mutate(row = row_number()) |>
  separate_longer_delim(messycol, delim = "|") |>
  mutate(dummy = as.character(+any(messycol %in% c(15, 16))), .by = row) |>
  summarise(messycol = paste0(messycol, collapse = "|"), .by = c(row, dummy)) |>
  mutate(dummy = if_else(messycol == "", messycol, dummy))
#> # A tibble: 11 × 3
#>      row dummy messycol                   
#>    <int> <chr> <chr>                      
#>  1     1 ""    ""                         
#>  2     2 ""    ""                         
#>  3     3 ""    ""                         
#>  4     4 ""    ""                         
#>  5     5 ""    ""                         
#>  6     6 ""    ""                         
#>  7     7 "1"   "|15|16|32|33|36|39|40|41|"
#>  8     8 "1"   "|15|16|32|39|"            
#>  9     9 "0"   "|10|29|32|38|39|40|"      
#> 10    10 "0"   "|32|39|"                  
#> 11    11 ""    ""

尽管已经给出了很好的答案{dplyr}，但我想补充一个，强调重新组织数据以供进一步分析的良好做法。

Base R 缺少像 这样的函数tidyr::separate_longer_delim()，因此需要做更多的工作。我经常使用以下函数

strsplit2l = \(x, p, ...) { l=strsplit(x, p, ...); lapply(l, `length<-`, max(lengths(l))) }

如何处理输出取决于结构。保留列表、先执行list2DF()或t先转置等。对于你的情况，通常情况下，do.call(what="rbind")这可能是最好的。以自然格式存储变量是一种很好的做法。因此，我们将 转换为matrix并data.frame应用type.convert：

# Y =
cbind(X$messycol, strsplit2l(X$messycol, "\\|") |> do.call(what="rbind")) |>
  data.frame() |> 
  type.convert(as.is=TRUE) 

给予

                          X1 X2 X3 X4 X5 X6 X7 X8 X9 X10
1                            NA NA NA NA NA NA NA NA  NA
2                            NA NA NA NA NA NA NA NA  NA
3                            NA NA NA NA NA NA NA NA  NA
4                            NA NA NA NA NA NA NA NA  NA
5                            NA NA NA NA NA NA NA NA  NA
6                            NA NA NA NA NA NA NA NA  NA
7  |15|16|32|33|36|39|40|41| NA 15 16 32 33 36 39 40  41
8              |15|16|32|39| NA 15 16 32 39 NA NA NA  NA
9        |10|29|32|38|39|40| NA 10 29 32 38 39 40 NA  NA
10                   |32|39| NA 32 39 NA NA NA NA NA  NA
11                           NA NA NA NA NA NA NA NA  NA

您可能希望按如下方式对虚拟变量进行编码。假设我们已将上述输出存储在变量中Y：

> Y$i = (rowSums(Y[-1]==15 | Y[-1]==16 , na.rm=TRUE)>0) * 1
> Y$i2 = replace(Y$i, Y$X1=="", 999)
> Y

                          X1 X2 X3 X4 X5 X6 X7 X8 X9 X10 i  i2
1                            NA NA NA NA NA NA NA NA  NA 0 999
2                            NA NA NA NA NA NA NA NA  NA 0 999
3                            NA NA NA NA NA NA NA NA  NA 0 999
4                            NA NA NA NA NA NA NA NA  NA 0 999
5                            NA NA NA NA NA NA NA NA  NA 0 999
6                            NA NA NA NA NA NA NA NA  NA 0 999
7  |15|16|32|33|36|39|40|41| NA 15 16 32 33 36 39 40  41 1   1
8              |15|16|32|39| NA 15 16 32 39 NA NA NA  NA 1   1
9        |10|29|32|38|39|40| NA 10 29 32 38 39 40 NA  NA 0   0
10                   |32|39| NA 32 39 NA NA NA NA NA  NA 0   0
11                           NA NA NA NA NA NA NA NA  NA 0 999

如果""是附加信息，并且您希望将其编码15或16呈现为整数（0，1），我们可能会避免解析为character。相反，我们可以使用999。但是，当然，如果您愿意，可以replace(Y$i, Y$X1=="", 999)改为这样做。

数据

X = structure(
  list(
    messycol = structure(
      c(
        "",
        "",
        "",
        "",
        "",
        "",
        "|15|16|32|33|36|39|40|41|",
        "|15|16|32|39|",
        "|10|29|32|38|39|40|",
        "|32|39|",
        ""
      ),
      label = "Noteffectiveaccountingrule reason keys",
      format.sas = "$"
    )
  ),
  row.names = c(NA, -11L),
  class = c("tbl_df", "tbl", "data.frame")
)