R - 如何遍歷數據幀以匹配多個子字符串 - 連接新列中的所有匹配項

Question

我對R很陌生 - 整天都在努力，但我沒有想法。

我在一列中有一個包含長描述的數據框，例如： df ：

ID  Name  Description
 1  A     ABC DEF
 2  B     ARS XUY
 3  C     ASD

我有一個搜索詞矢量：

ABC
ARS
XUY
DE

我想瀏覽數據框中的每一行，並搜索任何搜索項的Description 。 然后我希望所有匹配在數據幀的新列中連接，例如：

ID  Name  Description  Matches
 1  A     ABC DEF      ABC
 2  B     ARS XUY      ARS;XUY
 3  C     ASD

我想用1000個搜索詞來搜索~100k行。 有沒有人有任何想法？ 我能夠得到一個帶有sapply和grepl的矩陣，但我寧願有一個連接的解決方案。

Answer 1

使用strsplit和%in%而不是正則表達式的一個選項：

df$Matches <- sapply(strsplit(as.character(df$Description), '\\s'), 
                     function(x){paste(search[search %in% x], collapse = ';')})
df
#   ID Name Description Matches
# 1  1    A     ABC DEF     ABC
# 2  2    B     ARS XUY ARS;XUY
# 3  3    C         ASD  

---

數據：

search <- c("ABC", "ARS", "XUY", "DE")
df <- structure(list(ID = 1:3, Name = structure(1:3, .Label = c("A", 
          "B", "C"), class = "factor"), Description = structure(1:3, .Label = c("ABC DEF", 
          "ARS XUY", "ASD"), class = "factor"), Matches = c("ABC", "ARS;XUY", 
          "")), .Names = c("ID", "Name", "Description", "Matches"), row.names = c(NA, 
          -3L), class = "data.frame")

Answer 2

我在注釋中嘗試使用的另一個選項是使用stringr包。 這種方法有兩個潛在的缺點：1）它使用正則表達式，2）它返回匹配的搜索詞而不是找到的值。

library(stringr)
df = data.frame(Name=LETTERS[1:3], 
                Description=c("ABC DEF", "ARS XUY", "ASD"),
                stringsAsFactors=F)
search_terms = c("ABC", "ARS", "XUY", "DE")
regex = paste(search_terms, collapse="|")
df$Matches = sapply(str_extract_all(df$Description, regex), function(x) paste(x, collapse=";"))
df
#    Name Description Matches
#   (chr)       (chr)   (chr)
# 1     A     ABC DEF  ABC;DE
# 2     B     ARS XUY ARS;XUY
# 3     C         ASD  

話雖如此，我認為Alistaire的解決方案是更好的方法，因為它不使用正則表達式。

Answer 3

這是另一種選擇：

df <- data.frame(ID=c(1L,2L,3L),Name=c('A','B','C'),Description=c('ABC DEF','ARS XUY','ASD'),stringsAsFactors=F);
st <- c('ABC','ARS','XUY','DE');
df$Matches <- apply(sapply(paste0('\\b',st,'\\b'),grepl,df$Description),1L,function(m) paste(collapse=';',st[m]));
df;
##   ID Name Description Matches
## 1  1    A     ABC DEF     ABC
## 2  2    B     ARS XUY ARS;XUY
## 3  3    C         ASD