我有一个营销数据的数据框，有22k记录和6列，其中2个是感兴趣的。
以下是数据框样本的输出输出的链接：http://dpaste.com/2SJ6DPX
如果有更好的方式来分享这些数据，请告诉我。
我想要做的就是创建一个额外的二进制保留列，它应该是：
看起来像一件简单的事情......在Excel中我只想添加另一个带有“if”公式的列，然后将公式粘贴下来。我花了几个小时试图得到这个和R并失败。
这是我尝试过的：
使用grepl进行模式匹配。我之前使用过grepl，但这次我试图传递一个列而不是一个字符串。我的早期尝试失败了，因为我试图强制grepl和ifelse使用列中的第一个值而不是整个事物导致grepl。
我的下一次尝试是使用基于SO的另一篇文章的transform和grep。我不认为这会给我我的确切答案，但我认为它会让我足够接近我从那里弄清楚...代码运行了一段时间而不是错误，因为无效的下标。
transform(dd, Keep = FO.variable[sapply(variable, grep, FO.variable)])
我的下一次尝试是使用str_detect，但我不认为这是正确的方法，因为我想要行级别值，我认为'any'将逐字地使用向量中的任何值？
kk <- sapply(dd$variable, function(x) any(sapply(dd$FO.variable, str_detect, string = x)))
编辑：刚试了一个for循环。我更喜欢矢量化的方法，但我现在非常绝望。之前我没有使用过for循环，因为我已经避免了它们并且坚持使用其他解决方案。如果我搞砸了语法，似乎没有正确的做法：
for(i in 1:nrow(dd)){
if(dd[i,4] %in% dd[i,2])
dd$test[i] <- 1
}
正如我所提到的，如果FO.variable在变量内，我的理想输出是一个额外的列，其中包含1或0。例如，样本数据中的前三个记录将为1，第四个记录将为零，因为“直接/未知”不在“有机搜索，系统电子邮件”中。
如果解决方案可以快速运行，则会获得奖励。应用选项需要很长很长时间才可能是因为它们在两个列的每次迭代中循环？
事实证明这并不像我想象的那么简单。或许它是，而我只是一个笨蛋。无论哪种方式，我都很感激如何最好地解决这个问题。
答案 0 :(得分：3)
在你的情况下我会选择一个简单的mapply，正如你所说的那样，行操作会很慢。此外，（正如Martin所建议的）设置fixed = TRUE和先验转换为character将显着提高效果。
transform(dd, Keep = mapply(grepl,
as.character(FO.variable),
as.character(variable),
fixed = TRUE))
# VisitorIDTrue variable value FO.variable FO.value Keep
# 22 44888657 Direct / Unknown,Organic Search 1 Direct / Unknown 1 TRUE
# 2 44888657 Direct / Unknown,System Email 1 Direct / Unknown 1 TRUE
# 6 44888657 Direct / Unknown,TV 1 Direct / Unknown 1 TRUE
# 10 44888657 Organic Search,System Email 1 Direct / Unknown 1 FALSE
# 18 44888657 Organic Search,TV 1 Direct / Unknown 1 FALSE
# 14 44888657 System Email,TV 1 Direct / Unknown 1 FALSE
# 24 44888657 Direct / Unknown,Organic Search 1 Organic Search 1 TRUE
# 4 44888657 Direct / Unknown,System Email 1 Organic Search 1 FALSE
...
答案 1 :(得分：3)
我读了数据
df = dget("http://dpaste.com/2SJ6DPX.txt")
然后将“变量”列拆分为其各部分，并计算出每个条目的长度
v = strsplit(as.character(df$variable), ",", fixed=TRUE)
len = lengths(v) ## sapply(v, length) in R-3.1.3
然后我将列表取消列表并创建了一个索引，将未列出的v映射到它来自的行
uv = unlist(v)
idx = rep(seq_along(v), len)
最后，我找到了uv等于FO.variable
中相应条目的索引test = (uv == as.character(df$FO.variable)[idx])
df$Keep = FALSE
df$Keep[ idx[test] ] = TRUE
或组合（返回逻辑向量似乎比修改后的data.frame更有用，可以通过dd$Keep = f0(dd)获得
f0 = function(dd) {
v = strsplit(as.character(dd$variable), ",", fixed=TRUE)
len = lengths(v)
uv = unlist(v)
idx = rep(seq_along(v), len)
keep = logical(nrow(dd))
keep[ idx[uv == as.character(dd$FO.variable)[idx]] ] = TRUE
keep
}
（使用列是因子的事实可以更快地做到这一点，但也许这不是故意的？）与（通常更简单，更容易理解）相比较
f1 = function(dd)
mapply(grepl, dd$FO.variable, dd$variable, fixed=TRUE)
f1a = function(dd)
mapply(grepl, as.character(dd$FO.variable),
as.character(dd$variable), fixed=TRUE)
f2 = function(dd)
apply(dd, 1, function(x) grepl(x[4], x[2], fixed=TRUE))
与
> library(microbenchmark)
> identical(f0(df), f1(df))
[1] TRUE
> identical(f0(df), unname(f2(df)))
[1] TRUE
> microbenchmark(f0(df), f1(df), f1a(df), f2(df))
Unit: microseconds
expr min lq mean median uq max neval
f0(df) 57.559 64.6940 70.26804 69.4455 74.1035 98.322 100
f1(df) 573.302 603.4635 625.32744 624.8670 637.1810 766.183 100
f1a(df) 138.527 148.5280 156.47055 153.7455 160.3925 246.115 100
f2(df) 494.447 518.7110 543.41201 539.1655 561.4490 677.704 100
在计时的发展过程中，两个微妙但重要的补充是在正则表达式中使用fixed = TRUE，并强制将这些因素强加给角色。
答案 2 :(得分：2)
这是一种data.table方法，我认为它与Martin的精神非常相似：
require(data.table)
dt <- data.table(df)
dt[,`:=`(
fch = as.character(FO.variable),
rn = 1:.N
)]
dt[,keep:=FALSE]
dtvars <- dt[,strsplit(as.character(variable),',',fixed=TRUE),by=rn]
setkey(dt,rn,fch)
dt[dtvars,keep:=TRUE]
dt[,c("fch","rn"):=NULL]
想法是
rn＆amp;的所有对variable（保存在dtvars）和rn＆amp; F0.variable对（在原始表中dt）。