测试某些变量（不同版本）是否出现在数据中

Question

假设我有一个字符向量（向量 (A)），它在其每个元素中都包含一个字符串（因此单独的字符串：A1、A2、A3 等）。我想将每个字符串与另一个字符串向量（向量 (B)）进行比较，看看是否有匹配项。

例如，这意味着当向量 A 在其第一个元素中具有字符串 xyz，而向量 B 在任何元素中具有 xyz_blah 时，在测试 B 中是否存在 A-1 时，我将得到 TRUE -随便。

vec_a <- c()
vec_b <- c()

vec_a[1] <- "xyz"
set.seed(2020) ; vec_b[sample(1:100, size = 1)] <- "xyz_blah"

grepl(vec_a, vec_b)

## [1] FALSE FALSE FALSE FALSE FALSE FALSE FALSE FALSE FALSE FALSE FALSE FALSE FALSE FALSE FALSE FALSE FALSE FALSE FALSE FALSE FALSE FALSE FALSE FALSE FALSE FALSE
## [27] FALSE  TRUE

但我的情况恰好更复杂。首先，我在向量 A 中有多个字符串，我想测试它们是否存在于向量 B 中。

vec_a[1] <- "xyz"
vec_a[2] <- "vvtp"
set.seed(2020) 
vec_b[sample(1:100, size = 1)] <- "xyz_blah"
vec_b[sample(1:100, size = 1)] <- "vvtp_blah"

而不是 2 个TRUEs，grepl(vec_a, vec_b) 返回所有 FALSE 和错误：

警告消息：在 grepl(vec_a, vec_b) 中：参数“模式”有 length > 1 并且只使用第一个元素

其次，有时我知道向量 A 中的字符串可能在出现在向量 B 中时带有不同的添加（或“版本”）。例如，向量 A 可能包含 dog_height 和/或dog_weight，向量B也是如此。所以我不仅要指定“stem”字符串，还要指定潜在版本，并测试每个版本是否出现在向量B中。当我的数据可能有@时，它变得更加复杂987654331@ 或 weight_dog（但不能同时存在），所以我知道 dog 和 weight 必须同时存在于向量 B 的一个字符串中，但不是确切的模式。

一个连贯的例子

我有来自宠物诊所的数据。

• 列标题有动物的种类和度量的类型。
• 有时，没有衡量标准，只有动物的种类。
• 动物种类和度量类型之间的分隔符不一致（有时是 _ 或 ~ 或 -）
• 动物的种类和措施的种类可以互换位置

library(tibble)

df <- tribble(~dog_weight, ~dog_height, ~cat_weight, ~cat_height, ~hamster, ~`rabbit~weight`, ~parrot_height, ~`weight-guinea_pig`)

因此：

names(df)

[1] "dog_weight"        "dog_height"        "cat_weight"        "cat_height"        "hamster"           "rabbit~weight"     "parrot_height"     "weight-guinea_pig"

现在假设我要查询我的数据，看看我是否有：

• 狗的体重数据
• 狗的身高数据
• 豚鼠的体重数据
• 仓鼠的任何数据

一种方法是指定一个接受动物名称和度量类型的函数，这样一个名为locate_in_df() 的函数将具有三个参数：

• vector_of_animals 其中有c(dog, guinea_pig, hamster)；和
• type_of_measure 可以是 c(height, weight, any)
• 要检查的数据框

animals <- c("dog", "guinea_pig", "hamster")
measures <- c("weight", "height")

locate_in_df(vector_of_animals = animals,
             type_of_measure = measures,
             dataframe = df)

并且会返回：

  animal     weight height any  
  <chr>      <lgl>  <lgl>  <lgl>
1 dog        TRUE   TRUE   TRUE 
2 guinea_pig TRUE   FALSE  TRUE 
3 hamster    FALSE  FALSE  TRUE 

另一种方法可以指定动物向量和度量类型，并针对names(df) 进行测试，以便：

vec_of_query <- c("dog, height", "dog, weight", "guinea_pig, weight", "hamster")

然后某种grepl() 之类的东西返回TRUE TRUE TRUE TRUE？它会比第一种方法更细化，但仍然提供信息，它回到了这篇文章的开头，讨论了向量之间的匹配字符串。问题是，我不知道如何解决这些想法。知道如何实现吗？

Answer 1

你可以像这样实现locate_in_df：

locate_in_df <- function(vector_of_animals, type_of_measure, dataframe) {
   haystack <- names(dataframe)

   vs <- apply(sapply(type_of_measure, function(x) {
     lapply(vector_of_animals, function(y) {
       any(grepl(x, haystack) & grepl(y, haystack))
     })
   }), 2, unlist)
   
   tibble(animals = vector_of_animals, 
          as.data.frame(vs), 
          any = sapply(vector_of_animals, function(x) any(grepl(x, haystack))))
}

这样

locate_in_df(vector_of_animals = animals,
              type_of_measure = measures,
              dataframe = df)

#> # A tibble: 3 x 4
#>   animals    weight height any  
#>   <chr>      <lgl>  <lgl>  <lgl>
#> 1 dog        TRUE   TRUE   TRUE 
#> 2 guinea_pig TRUE   FALSE  TRUE 
#> 3 hamster    FALSE  FALSE  TRUE