在 R 中匹配具有多个模式的字符向量

Question

我有两个数据表。 第一个 data.table，DT_1，包含字符串和匹配类型如下：

library(data.table)  
DT_1 <- data.table(Source_name = c("Apple","Banana","Orange","Pear","Random"),
                   Match_type = c("Anywhere","Beginning","Anywhere","End","End"))

然后我想使用 DT_1 中指定的匹配类型将“Source_name”字符串的第一个匹配项从 DT_1 返回到 DT_2 的列名（如下所示）。 匹配将在不区分大小写的情况下进行。

DT_2 <- data.table(Pear_1 = 1,Eat_apple = 1,Split_Banana = 1,
                   Pear_2 = 1,Eat_pear = 1,Orange_peel = 1,Banana_chair = 1)

例如，字符串“Apple”可以在 DT_2 的列名称中的任何位置找到。 第一个例子是“Eat_apple”。

对于下一个字符串“Banana”，它必须在列名称字符串的开头匹配。 第一个例子是“Banana_chair”。

我写了一些（非常丑陋的）代码来处理这个问题，如下所示：

library(purrr)      
DT_1[,Col_Name := names(DT_2)[unlist(pmap(.l = .SD[,.(x = Match_type,y = Source_name)],
              .f = function(x,y){
                  if(x == "Anywhere"){
                       grep(tolower(y),tolower(names(DT_2)))[1] # returns the first match if there is a match anywhere
                  }else if (x == "Beginning"){
                       grep(paste0("^",tolower(y),"."),tolower(names(DT_2)))[1] # returns the first match if the string is at the beginning (denoted by the anchor "^")
                  }else if (x == "End"){
                        grep(paste0(".",tolower(y),"$"),tolower(names(DT_2)))[1] # returns the first match if the string is at the end (denoted by the end anchor "$")
                  }}))]]

我尝试使用 stringr package 中的 string_extract / string_detect 来重现 output，但我对 DT_2 中的模式和列数有不同的长度这一事实并不满意。

任何人都可以提供有关如何在这里改进我的代码的任何提示吗？ 我不拘泥于某种特定的方法。

提前致谢， 菲尔

Answer 1

一种方法是先准备正则表达式，然后为每个Source_name找到第一个对应的匹配项。

library(dplyr)
library(purrr)
library(stringr)

cols <- names(DT_2)

DT_1 %>%
  mutate(regex = case_when(Match_type == "Anywhere" ~ Source_name, 
                           Match_type == "Beginning" ~ str_c('^',Source_name), 
                           Match_type == "End" ~str_c(Source_name, '$')), 
         Col_Name = map_chr(regex, 
                    ~str_subset(cols, regex(.x, ignore_case = TRUE))[1]))

#   Source_name Match_type   regex     Col_Name
#1:       Apple   Anywhere   Apple    Eat_apple
#2:      Banana  Beginning ^Banana Banana_chair
#3:      Orange   Anywhere  Orange  Orange_peel
#4:        Pear        End   Pear$     Eat_pear
#5:      Random        End Random$         <NA>

请注意， str_subset中的[1]在两种情况下很有用

1. 当存在多个匹配项时，它仅返回第一个匹配项。
2. 当没有匹配时，它返回NA 。