部分字符串匹配与新列中的匹配正则表达式 - R

Question

我正在尝试将数据集中列的内容与一串正则表达式进行部分匹配。然后，我想匹配在新列中返回特定匹配正则表达式的行。我的实际数据集很大（130 万行），包含 300 个正则表达式，因此找到一种自动执行此操作的方法很重要，这样添加新的正则表达式就不需要代码调整。

演示：

try.dat<-data.frame(c(1:10),c("hello","goodbye","tidings","partly","totally"))
names(try.dat)[1]<-"num"
names(try.dat)[2]<-"words"
try.dat

在这种情况下，如果一个正则表达式是“ly”，我希望在匹配行（部分地，完全地）中有一个带有“ly”的列，而在其他行中有一些“不匹配”的术语。我已经成功地使用 grepl (subset not based on exact match) 成功地对数据进行了子集化，效果很好，但下一步我真的很挣扎！

我在尝试这个方面取得了一些的进展，主要是基于我已经适应的这个代码建议 (partial string matching R)：

pattern<-c("ll|ood")
matching<-c("ood","ll")
regexes<-data.frame(pattern,matching)
output_vector<-character(nrow(try.dat))
for(i in seq_along(regexes)){
output_vector[grepl(x=try.dat$words,pattern=regexes[[i]][1])] <- regexes    [[i]][2]    
}
try.dat$match<- output_vector
try.dat

如您所见，这会在匹配的行旁边返回一个“1” - 到达那里，但我已经没有想法了！我想知道是否有人可以提供任何指示？

谢谢！

Answer 1

基于扩展至 10M 行的数据集（Macbook Pro OS X）对两者的运行时间比较：

try.dat<-data.frame(c(1:10000000),c("hello","goodbye","tidings","partly","totally"))
system.time(try.dat[str_extract(try.dat$words,"ll|ood"),"match"])

用户系统已过

5.167 0.208 5.348

system.time(for (i in 1: length(patt)) {try.dat[grep(patt[i], try.dat$words), "match"] <- patt[i]})

用户系统已过

0.311 0.041 0.377

目前的迹象表明，基本 R 版本显着提高了效率。将在我的实际数据集上尝试这个（400

Answer 2

基本 R 选项。只是因为。

patt <- c("ll", "ood")
for (i in 1: length(patt)) {
  try.dat[grep(patt[i], try.dat$words), "match"] <- patt[i]
}
try.dat
#    num  words match
#1    1   hello    ll
#2    2 goodbye   ood
#3    3 tidings  <NA>
#4    4  partly  <NA>
#5    5 totally    ll
#6    6   hello    ll
#7    7 goodbye   ood
#8    8 tidings  <NA>
#9    9  partly  <NA>
#10  10 totally    ll

Answer 3

我认为这样可以吗？

library(stringr)
try.dat$match = str_extract(try.dat$words, "ll|ood")
try.dat
#    num   words match
# 1    1   hello    ll
# 2    2 goodbye   ood
# 3    3 tidings  <NA>
# 4    4  partly  <NA>
# 5    5 totally    ll
# 6    6   hello    ll
# 7    7 goodbye   ood
# 8    8 tidings  <NA>
# 9    9  partly  <NA>
# 10  10 totally    ll

默认行为是提取第一个匹配项。如果您想获取所有匹配项，您可以使用 str_extract_all，但在这种情况下您需要一个 non-data.frame 设置来处理不同数量的匹配项。