Question

我试图将数据集中列的内容与正则表达式字符串部分匹配。然后我想匹配在新列中返回特定匹配正则表达式的行。我的实际数据集很大（130万行），有300个正则表达式，因此找到一种自动执行此操作的方法非常重要，因此添加新的正则表达式不需要代码调整。

演示：

try.dat<-data.frame(c(1:10),c("hello","goodbye","tidings","partly","totally"))
names(try.dat)[1]<-"num"
names(try.dat)[2]<-"words"
try.dat

在这种情况下，如果一个正则表达式是'ly'，我希望在匹配的行（部分，完全）中有一个'ly'列，在其他行中有一些'不匹配'的术语。我已经成功地使用grepl（subset not based on exact match）成功地对数据进行了子集，这非常有效，但这是我真正努力的下一步！

我在尝试这个时已经取得了一些的进展，主要是基于这个代码建议（partial string matching R），我已经这样做了：

pattern<-c("ll|ood")
matching<-c("ood","ll")
regexes<-data.frame(pattern,matching)
output_vector<-character(nrow(try.dat))
for(i in seq_along(regexes)){
output_vector[grepl(x=try.dat$words,pattern=regexes[[i]][1])] <- regexes    [[i]][2]    
}
try.dat$match<- output_vector
try.dat

正如你所看到的，这会在匹配的行旁边返回一个“1” - 到达那里但我的想法已经用完了！我想知道是否有人可以给出任何指示？

谢谢！

Answer 1

我认为这会吗？

library(stringr)
try.dat$match = str_extract(try.dat$words, "ll|ood")
try.dat
#    num   words match
# 1    1   hello    ll
# 2    2 goodbye   ood
# 3    3 tidings  <NA>
# 4    4  partly  <NA>
# 5    5 totally    ll
# 6    6   hello    ll
# 7    7 goodbye   ood
# 8    8 tidings  <NA>
# 9    9  partly  <NA>
# 10  10 totally    ll

默认行为是提取第一个匹配项。如果您想获得所有匹配项，可以使用str_extract_all，但在这种情况下，您需要一个可以处理不同匹配数量的非数据框架设置。

Answer 2

基础R选项。只是因为。

patt <- c("ll", "ood")
for (i in 1: length(patt)) {
  try.dat[grep(patt[i], try.dat$words), "match"] <- patt[i]
}
try.dat
#    num  words match
#1    1   hello    ll
#2    2 goodbye   ood
#3    3 tidings  <NA>
#4    4  partly  <NA>
#5    5 totally    ll
#6    6   hello    ll
#7    7 goodbye   ood
#8    8 tidings  <NA>
#9    9  partly  <NA>
#10  10 totally    ll

部分字符串与新列中匹配的正则表达式匹配 - R.

2 个答案: