如何将字符列表与R中的部分字符串匹配？

Question

我正在分析 RePEc 数据库中的 ID。每个 ID 都匹配一个唯一的出版物，有时出版物是相互链接的，因为它们是彼此的不同版本（例如，工作论文变成了期刊文章）。我有一个包含大约 250,000 个条目的数据库，这些条目在一列中显示主要 ID，然后在另一列中显示前一个或备用 ID。它看起来像这样：

df$repec_id <– c("RePEc:cid:wgha:353", "RePEc:hgd:wpfacu:350","RePEc:cpi:dynxce:050")
df$alt_repec_id <– c("RePEc:sii:giihdizi:heidwg06-2019|RePEc:azi:cusiihdizi:gdhs06-2019", "RePEc:tqu:vishdizi:d8z7-200x", "RePEc:aus:cecips:15_59|RePEc:sga:leciam:c8wc0z888s|RePEc:cpi:dynxce:050", "RePEc:cid:wgha:353|RePEc:hgd:wpfacu:350")

我想找出repec_id 列中的哪些ID 也出现在alt_repec_id 列中，并创建一个只有符合此条件的行的数据框。我试图在“|”处拆分并像这样使用%in% 函数：

df <- separate_rows(df, alt_repec_id, sep = "\\|") 
df1 <- df1[trimws(df$alt_repec_id) %in% trimws(df$repec_id), ]
df1<- data.frame(df1)
df1 <- na.omit(df1)
df1 <- df1[!duplicated(df1$repec_id),]

它有效，但我担心通过根据repec_id 列中的值消除重复行，我会随机消除匹配项。那正确吗？

最终，我想要一个只包含 repec_id 列中的字符串与 alt_repec_id 列中的部分字符串匹配的值的数据框。使用上面的示例，我想要以下结果：

df$repec_id <– c("RePEc:cpi:dynxce:050")
df$alt_repec_id <– c("RePEc:aus:cecips:15_59|RePEc:sga:leciam:c8wc0z888s|RePEc:cpi:dynxce:050")

有人能解决我的问题吗？提前感谢您的帮助！

Answer 1

尝试使用stringr 中的str_detect() 来确定@​​987654323@ 是否存在于较大的alt_repec_id 字符串中。

然后filter() 直到找到它的位置。这没有按预期返回，请尝试查看并发布一些 found_match == FALSE 但预期匹配的示例。

library(stringr)
library(dplyr)

df %>%
  mutate(found_match = str_detect(alt_repec_id, repec_id)) %>% 
  filter(found_match == TRUE)

Answer 2

这是使用grepl() + apply() + subset() 的基本 R 解决方案

dfout <- subset(df,apply(df, 1, function(v) grepl(v[1],v[2])))

这样

> dfout
              repec_id                                                            alt_repec_id
3 RePEc:cpi:dynxce:050 RePEc:aus:cecips:15_59|RePEc:sga:leciam:c8wc0z888s|RePEc:cpi:dynxce:050

数据

df <- structure(list(repec_id = structure(c(1L, 3L, 2L), .Label = c("RePEc:cid:wgha:353", 
"RePEc:cpi:dynxce:050", "RePEc:hgd:wpfacu:350"), class = "factor"), 
    alt_repec_id = structure(c(2L, 3L, 1L), .Label = c("RePEc:aus:cecips:15_59|RePEc:sga:leciam:c8wc0z888s|RePEc:cpi:dynxce:050", 
    "RePEc:sii:giihdizi:heidwg06-2019|RePEc:azi:cusiihdizi:gdhs06-2019", 
    "RePEc:tqu:vishdizi:d8z7-200x"), class = "factor")), class = "data.frame", row.names = c(NA, 
-3L))