使用 tidyverse 检查一个字符向量的元素与另一个字符向量的更好解决方案？

Question

你好！
我的目标是比较两个字符向量——主要是同义词和另一个混合名称。 mixnames 中的字符串元素与同义词中的元素不完全匹配，因此需要进行一些字符串比较。我的目标是提取同义词中的元素，这些元素看起来像 mixnames 中的内容。我尝试仅使用 tidyverse 来做到这一点，但失败了。我找到了一个使用 base 的解决方案。我知道有更好的方法，但我想不通....

library(tidyverse)
#> Warning: package 'ggplot2' was built under R version 3.6.1
#> Warning: package 'tidyr' was built under R version 3.6.1
#> Warning: package 'dplyr' was built under R version 3.6.1

#Acetometaphin 

synonyms <- c("Pediatrix","Percocet-5","Percocet-Demi","Perdolan Mono","Perfalgan", 
              "Phenaphen","Phenaphen W/Codeine","Phenipirin","Phogoglandin","Pinex", 
              "Piramin","Pirinasol","Plicet","Polmofen","Predimol","Predualito",
              "Prodol","Prontina","Puernol","Pulmofen", "Pyregesic-C")

mixNames <- c("Liquiprin","Midol Maximum Strength","Midol PM Night Time Formula",
              "Midol Regular Strength" ,"Midol Teen Formula","Naldegesic",
              "Ornex Severe Cold Formula","Percocet","Percogesic with Codeine",
              "Propacet" )

尝试失败：

#####STUFF THAT DIDNT WORK!!!!

# cross2(
#   .x = synonyms, .y = mixNames  #lists - each list has 2 lists - each of those is an atomic vector of 1
# ) %>% 
#   map_dfc(lift(str_detect)) #lift - modifies function to take a list of arguments - works for nested lists 

#this returns a df just like the apply 

# mix_syn_lgl_df <- map_dfc(
#   mixNames,
#   ~ map_lgl(synonyms, str_detect, pattern = .x)
# )

# colnames(mix_syn_lgl_df) <- mixNames
# 
# mix_syn_lgl_df$synonyms <- synonyms

这确实有效：

#remove mixture names from synonyms

mix_syn_lgl_mat <- sapply(mixNames, function(x){
  str_detect(string = synonyms, pattern = x)
}) #returns a matrix 21x10 of logicals while preserving colnames

rownames(mix_syn_lgl_mat) <- synonyms #add synoyms as rownames
#create a new object with a new col of sum of TRUES in row
mix_syn_lgl_mat2 <- cbind(mix_syn_lgl_mat, rowSums(mix_syn_lgl_mat)) 
#take the numerical matrix mix_syn_lgl_mat2 and return the row names where the last col (rowsums) > 0
badNames <- row.names(mix_syn_lgl_mat2[mix_syn_lgl_mat2[, ncol(mix_syn_lgl_mat2)] > 0, ])
#filter out those names from the synonyms vector
pureSyn <- synonyms[!(synonyms %in% badNames)]

^{由reprex package (v0.3.0) 于 2019 年 10 月 29 日创建}

Answer 1

看起来您希望 synonyms 向量没有与 mixNames 有任何重叠的值。您可以对synonyms 进行子集化以删除匹配项。这里str_c/paste 折叠mixNames 以创建一个包含所有mixNames 的模式。然后你只需使用部分字符串匹配（即，str_detect 和 grepl 从那里）。

这里使用stringr - 这有点整洁

synonyms[str_detect(synonyms, str_c(mixNames, collapse = "|"), negate = T)]

或者使用基础 R 中的函数：

synonyms[!grepl(paste(mixNames, collapse = "|"), synonyms)]
# OR
grep(paste(mixNames, collapse = "|"), synonyms, value = T, invert = T)

作为站点说明，如果您想查看匹配字符串的替代方法，请查看stringdist 或其他字符串距离函数/包。

Answer 2

我喜欢为这样的东西构建一个%g% 运算符。下面创建了一个 tibble，其中包含您的代码中实际工作的值：

library(tidyverse)

`%g%` <- function(x, y) {
  z <- paste0(y, collapse = "|")
  grepl(z, x, ignore.case = T)
}

tibble(syn = synonyms) %>% 
  filter(!syn %g% mixNames)
#> # A tibble: 19 x 1
#>    syn                
#>    <chr>              
#>  1 Pediatrix          
#>  2 Perdolan Mono      
#>  3 Perfalgan          
#>  4 Phenaphen          
#>  5 Phenaphen W/Codeine
#>  6 Phenipirin         
#>  7 Phogoglandin       
#>  8 Pinex              
#>  9 Piramin            
#> 10 Pirinasol          
#> 11 Plicet             
#> 12 Polmofen           
#> 13 Predimol           
#> 14 Predualito         
#> 15 Prodol             
#> 16 Prontina           
#> 17 Puernol            
#> 18 Pulmofen           
#> 19 Pyregesic-C

同样，只获取synonym 中与mixNames 中的值匹配的药物：

tibble(syn = synonyms) %>% 
  filter(syn %g% mixNames)
#> # A tibble: 2 x 1
#>   syn          
#>   <chr>        
#> 1 Percocet-5   
#> 2 Percocet-Demi

^{由reprex package (v0.3.0) 于 2019 年 10 月 29 日创建}