识别列中的模式，并将它们添加到数据框中的列答案

【问题标题】：Recognize patterns in column, and add them to column in Data frame识别列中的模式，并将它们添加到数据框中的列
【发布时间】：2018-11-13 14:09:44
【问题描述】：

得到一个包含 50 个关键字的列：

Keyword1 
Keyword2
Keyword3
KeywordN=50

此外，我得到了一个包含两列的数据框：标题和摘要。

Title                    Abstract 
Rstudio Keyword1        A interesting program language keyword2  
Python Keyword3         A interesting program keyword3 language

我想获得一个额外的列（我们称之为关键字），如果关键字名称出现在标题或摘要中，则会出现在该列中，如下所示：

Title             Abstract                                   Keywords
Rstudio Keyword1 A interesting program language keyword2  Keyword1, keyword2
Python Keyword2  A interesting program keyword3 language  Keyword2, Keyword3

我唯一能“解决”这个问题的方法是制作一个二进制列（如果模式匹配）。（grepl 函数），但这不是我们想要的解决方案……

【问题讨论】：

标签： r regex text preprocessor

【解决方案1】：

在基地R:

这处理标点符号、空格、行尾/行首。
关键字可以包含空格和一些标点符号（但不是全部）
新列的关键字保持原关键字向量大小写：

代码

ind  <- sapply(paste0('(^|[ [:punct:]])',tolower(keywords),'($|[ [:punct:]])'),grep,tolower(paste(df$Title,df$Abstract)))
ind[lengths(ind)==0] <- NA # for cases where no keyword is found
ind2 <- do.call(rbind,Map(data.frame,keyword=keywords,i=ind))
ind3 <- aggregate(keyword ~ i,ind2,paste,collapse=', ')
df$keywords[ind3$i] <- ind3$keyword
df$keywords[is.na(df$keywords)] <- "" # replacing NAs with empty strings
#              Title                                Abstract           keywords
# 1 Rstudio Keyword1 A interesting program language keyword2 Keyword1, Keyword2
# 2  Python Keyword2 A interesting program keyword3 language Keyword2, Keyword3

数据

keywords <- c("Keyword1", "Keyword2", "Keyword3")

df <- read.table(text="Title                    Abstract 
                 'Rstudio Keyword1'        'A interesting program language keyword2'  
                 'Python Keyword2'         'A interesting program keyword3 language'",h=T,strin=F)

【讨论】：

因修改问题的数据失败而更新
> ind2
它对我来说很好用......而且都是基础R......其他人可以复制这个问题吗？
无论如何这不是我的代码，我不使用keywords1
正确，keywords1 == 我的代码中的关键字 :-)。所以这不应该是区别。（抱歉造成混淆）

【解决方案2】：

cbind(dat,Keywords=do.call(paste,c(sep=",",Map(sub,paste0(".*(",paste(keywords,collapse="|"),").*"),"\\1",dat,TRUE))))
             Title                                Abstract          Keywords
1 Rstudio Keyword1 A interesting program language keyword2 Keyword1,keyword2
2  Python Keyword3 A interesting program keyword3 language Keyword3,keyword3

keywords=paste0("Keyword",1:3) 和

dat=read.table(text="Title                    Abstract 
'Rstudio Keyword1'        'A interesting program language keyword2'  
'Python Keyword3'         'A interesting program keyword3 language'",h=T,strin=F)

这条线可能看起来很长：细分：

a=paste0(".*(",paste(keywords,collapse="|"),").*")
b=do.call(paste,c(sep=",",Map(sub,a,"\\1",dat,TRUE)))
cbind(dat,keywords=b)
             Title                                Abstract          keywords
1 Rstudio Keyword1 A interesting program language keyword2 Keyword1,keyword2
2  Python Keyword3 A interesting program keyword3 language Keyword3,keyword3

【讨论】：

【解决方案3】：

使用strsplit 的另一种方法（也在基础 R 中）：

ls <- strsplit(tolower(paste(df$Title, df$Abstract)), 
                       "(\\s+)|(?!')(?=[[:punct:]])", perl = TRUE)    

df$Keywords <- do.call("rbind", 
               lapply(ls, function(x) paste(unique(x[x %in% tolower(keywords)]), 
               collapse = ", ")))

#             Title                                Abstract           Keywords
#1 Rstudio Keyword1 A interesting program language keyword2 keyword1, keyword2
#2  Python Keyword2 A interesting program keyword3 language keyword2, keyword3

样本数据

df <- data.frame(Title = c("Rstudio Keyword1", "Python Keyword2"), 
                 Abstract = c("A interesting program language keyword2",  
                              "A interesting program keyword3 language"), 
                 stringsAsFactors = F)

keywords <- paste0("Keyword", 1:4)

【讨论】：

解决方案有效。但是还有另一种可能性，即您只获得独特的价值吗？例如：如果第一行包含：keyword1、keyword1 和keyword1，那么结果将是：“keyword1”、“keyword1”、keyword1”。理想情况下是一次：“keyword1”（因此每行的唯一值）跨度>
如果关键字出现在标点符号之后则失败
如果关键字包含空格也会失败
@Moody_Mudskipper 我对标点符号问题进行了编辑。
谢谢，但是：df$Keywords

【解决方案4】：

Title<-as.character(c("Rstudio Keyword1","Python Keyword3"))
Abstract<-as.character(c("A interesting program language keyword2"," A interesting program keyword3 language"))
example1.data <- data.frame(Title,Abstract)


#loop answer
f<-length(example1.data)
example1.data$Keyword <- NA

for (i in 1:nrow(example1.data)){
testA[i]<-regmatches(example1.data$Title[i], regexpr("(Keyword|keyword) ([0-9])", example1.data$Title[i]))
testB[i]<-regmatches(example1.data$Abstract[i], regexpr("(Keyword|keyword)([0-9])", example1.data$Abstract[i]))
example1.data$Keyword[i]<-paste(testA[i],testB[i],  sep=", ")

}

【讨论】：