基于子串的联接

Question

我有一个包含电子邮件的数据集，例如：

my_df <- data.frame(email = c("mirko@asdoi.com", "elsa@asodida.co.uk", "elsapina@asoqw.com"))

我有一个开源数据集，例如：

open_data <- data.frame(name = c("mirko", "elsa", "pina"), gender = c("male", "female", "male")

1. 如何使用open_data查找my_df以将性别与每封电子邮件相关联？
2. 如果是多个联接，我希望它创建多个记录

结果应为：

result <- data.frame(email = c("mirko@asdoi.com", "elsa@asodida.co.uk", "elsapina@asoqw.com", "elsapina@asoqw.com"), gender = c("male", "female", "female", "male))

Answer 1

一种选择是使用sqldf库，并通过两个数据框之间的数据库样式连接来解决此问题：

library(sqldf)
my_df$name <- sub("@.*$", "", my_df$email)
sql <- "select t1.email, t2.gender from my_df t1 inner join open_data t2 "
sql <- paste0(sql, "on t1.name like '%' || t2.name || '%'")
result <- sqldf(sql)

Answer 2

也许符合这些原则？不确定在更复杂的情况下这有多强。

library(tidyverse)
open_data %>%
    rowwise() %>%
    mutate(email = list(grep(name, my_df$email))) %>%
    unnest() %>%
    mutate(email = my_df$email[email])
## A tibble: 4 x 3
#  name  gender email
#  <fct> <fct>  <fct>
#1 mirko male   mirko@asdoi.com
#2 elsa  female elsa@asodida.co.uk
#3 elsa  female elsapina@asoqw.com
#4 pina  male   elsapina@asoqw.com

说明：我们使用grep在open_data$name中找到my_df$email的匹配项；然后unnest展开多个匹配项，并使用行索引提取email条目。