Question

我有一个数据集存储为data.table DT，如下所示：

print(DT)
   category            industry
1: administration      admin
2: nurse practitioner  truck
3: trucking            truck
4: administration      admin
5: warehousing         nurse
6: warehousing         admin
7: trucking            truck
8: nurse practitioner  nurse         
9: nurse practitioner  truck

我想将表格缩小为只有行业与该类别匹配的行。我的一般方法是使用grepl()正则表达式匹配字符串'^{{INDUSTRY}}[a-z ]+$'和DT$category的每一行，并插入DT$industry的每个对应行代替{{INDUSTRY}}在使用infuse()的正则表达式字符串中。我很难找到一个时髦的data.table解决方案，它可以正确地循环遍历表并进行行内比较，所以我使用了for循环来完成工作：

template <- "^{{IND}}[a-z ]+$"
DT[,match := FALSE,]
for (i in seq(1,length(DT$category))) {
    ind <- DT[i]$industry
    categ <- d.daily[i]$category
    if (grepl(infuse(IND=ind,template),categ)){
        DT[i]$match <- TRUE
    }
}
DT<- DT[match==TRUE]
print(DT)
       category            industry
1: administration      admin
2: trucking            truck
3: administration      admin
4: trucking            truck
5: nurse practitioner  nurse

但是，我确信这可以通过更好的方式完成。有关如何通过利用data.table包的功能实现此结果的任何建议？我的理解是，在这种情况下，使用包的方法可能比for-loop更有效。

Answer 1

您可以使用stringi::stri_detect_fixed()。它在str和pattern上进行了矢量化。

DT[stringi::stri_detect_fixed(category, industry)]
#              category industry
# 1:     administration    admin
# 2:           trucking    truck
# 3:     administration    admin
# 4:           trucking    truck
# 5: nurse practitioner    nurse

或者，可以使用stringr::str_detect()。它的两个参数也都是矢量化的。

library(stringr)
DT[str_detect(category, fixed(industry))]

或者基本R选项是通过grepl()

运行mapply()

DT[mapply(grepl, industry, category, fixed = TRUE)]

或者您可以使用Vectorize(grepl)获得相同的结果。

DT[Vectorize(grepl)(industry, category, fixed = TRUE)]

所有这些产生相同的结果。

数据：

DT <- structure(list(category = c("administration", "nurse practitioner", "trucking", "administration", "warehousing", "warehousing", "trucking", "nurse practitioner", "nurse practitioner"), industry = c("admin", "truck", "truck", "admin", "nurse", "admin", "truck", "nurse", "truck")), .Names = c("category", "industry"), class = "data.frame", row.names = c(NA, -9L)) setDT(DT)

Answer 2

只要匹配总是基于category字符串的开头，那么这很好用：

dt[substring(category, 1, nchar(industry)) == industry]
#              category industry
# 1:     administration    admin
# 2:           trucking    truck
# 3:     administration    admin
# 4:           trucking    truck
# 5: nurse practitioner    nurse

Answer 3

Data.table擅长分组操作;我认为这是有用的，假设你有很多行具有相同的行业：

DT[ DT[, .I[grep(industry, category)], by = industry]$V1 ]

这使用the current idiom for subsetting by group, thanks to @eddi 。

评论。这些可能会有所帮助：

如果您有许多行具有相同的行业类别组合，请尝试by=.(industry,category)。
在grep的地方尝试别的东西（就像肯和理查德的答案中的选项一样）。

通过data.table（R）循环grepl（）

3 个答案: