如何使用 dplyr 过滤字符串列表，忽略小数点后的数字答案

【问题标题】：how do I filter using dplyr for list of character strings ignoring numbers after a decimal place如何使用 dplyr 过滤字符串列表，忽略小数点后的数字
【发布时间】：2020-09-03 23:37:04
【问题描述】：

我在名为“id”的 data.frame 中有以下列：

   example_0test0|EMM3.71|NTERM| 
   example_0test1|_EMM92.2|CTERM| 
   example_0test2|_EMM92.2|NTERM| 
   example_0test0|EMM1|NTERM| 
   example_0test0|EMM100|NTERM| 
   example_0test0|EMM1.11|NTERM| 
   example_0test0|EMM1.123|NTERM|

我想使用 dplyr 过滤器函数过滤精确字符列表，例如（保持简单）：EMM1，以提供以下输出：

> test_df2
                              id col1 col2
1     example_0test0|EMM1|NTERM| 10.4 exp4
2  example_0test0|EMM1.11|NTERM| 10.3 exp6
3 example_0test0|EMM1.123|NTERM| 10.3 exp7

我有一个像这样保存的字符的因子列表，我想用作过滤术语的输入：

"EMM1|EMM101|EMM103|EMM104|EMM108.1|EMM11|EMM113|EMM114|EMM116.1|EMM118|EMM12|EMM123|EMM19.4|EMM197|EMM2|"

我尝试过使用“filter”和“str_detect”的组合，但如果我的搜索列表包含“EMM1”，我想包含“EMM1.0”或“EMM1.1”之类的内容

我怀疑列中的每个 EMM 术语都包含在“|”中比如 "text|EMM1.0|text" 有没有办法用它来过滤？

这是我正在使用的 data.frame 类型的一个小例子：

> dput(test_df)
structure(list(id = c("example_0test0|EMM3.71|NTERM|", "example_0test1|_EMM92.2|CTERM|", 
"example_0test2|_EMM92.2|NTERM|", "example_0test0|EMM1|NTERM|", 
"example_0test0|EMM100|NTERM|", "example_0test0|EMM1.11|NTERM|", 
"example_0test0|EMM1.123|NTERM|"), col1 = c(10.1, 10.2, 10.3, 
10.4, 10.3, 10.3, 10.3), col2 = c("exp1", "exp2", "exp3", "exp4", 
"exp5", "exp6", "exp7")), class = "data.frame", row.names = c(NA, 
-7L))

【问题讨论】：

已编辑帖子。请记住，上面的预期输出是过滤一个术语“EMM1”以返回所有包含“EMM1”、“EMM1.11”等内容的内容，但实际上我有数百个需要过滤，就像问题中的因子列表一样...谢谢
我下面的解决方案是给出你显示的预期输出
我更新了解决方案。可能会有所帮助
subset(test_df, grepl(pat, id)) 不起作用？ pat 是 pat <- "EMM1|EMM101|EMM103|EMM104|EMM108.1|EMM11|EMM113|EMM114|EMM116.1|EMM118|EMM12|EMM123|EMM19.4|EMM197|EMM2" 哪里？
@RonakShah 这给出了以 EMM1 开头的所有内容，例如 emm106.9 EMM109.0 等，但这是我所追求的那种东西

标签： r dplyr

【解决方案1】：

你可以使用：

pat <- "EMM1|EMM101|EMM103|EMM104|EMM108.1|EMM11|EMM113|EMM114|EMM116.1|EMM118|EMM12|EMM123|EMM19.4|EMM197|EMM2"
subset(test_df, grepl(sprintf('(%s)(\\.|\\|)', pat), id))


#                              id col1 col2
#4     example_0test0|EMM1|NTERM| 10.4 exp4
#6  example_0test0|EMM1.11|NTERM| 10.3 exp6
#7 example_0test0|EMM1.123|NTERM| 10.3 exp7

pat 包含我们想要的所有"EMM" 值，另外我们使用sprintf 创建一个模式，仅返回那些在pat 值之后具有"." 或"|" 的值。

我们也可以将它与filter 和str_detect 类似地使用。

library(dplyr)
library(stringr)

test_df %>% filter(str_detect(id, sprintf('(%s)(\\.|\\|)', pat)))

【讨论】：

【解决方案2】：

我们可以使用str_detect

library(dplyr)
library(stringr)
test_df %>% 
    filter(str_detect(id, "EMM1\\||(EMM1\\.\\d+)"))
#                              id col1 col2
#1     example_0test0|EMM1|NTERM| 10.4 exp4
#2  example_0test0|EMM1.11|NTERM| 10.3 exp6
#3 example_0test0|EMM1.123|NTERM| 10.3 exp7

如果我们基于另一个表中的列进行过滤，我们可以删除 . 和后面的数字

patvec <- sub("\\.\\d+$", "", df2$id)
i1 <- Reduce(`|`, lapply(paste0(patvec, "\\||(", patvec, "\\.\\d+)"),
      function(pat),
         grepl(pat, test_df$id)))
subset(test_df, i1)

【讨论】：

这看起来像问题中简单示例的预期输出，但我想过滤数百个类似的术语，所以像“EMM1\\||”一样输入它们等是行不通的。谢谢
@reubenmcg 在你的模式列表中，它也显示为EMM100，所以，当描述说不匹配“EMM100”时我不清楚
我已经删除了这个问题的艺术，我可以看到它是多么令人困惑。对不起
我不确定你的意思。我现在也从字符串中删除了 EMM100。因此，即使您使用问题中的示例字符串来过滤示例 data.frame，我仍然希望在问题中取回相同的预期输出表。
嗯，如果我还没有字符串，我知道这会有什么帮助。但是可以说我想使用提供的字符串来过滤提供的 data.table。因此，使用您答案的第一个 parr，但我不想用 \\|| 键入所有单个 EMM等

【解决方案3】：

或者你可以使用基本 R 方法

 df[grepl("EMM1(\\.\\d{1,})|EMM1\\|", df$id),]
 #                          id col1 col2
 # 4     example_0test0|EMM1|NTERM| 10.4 exp4
 # 6  example_0test0|EMM1.11|NTERM| 10.3 exp6
 # 7 example_0test0|EMM1.123|NTERM| 10.3 exp7

EMM1(\\.\\d{1,})：用点和数字捕获组 EMM1

【讨论】：

再次进行这种工作，并使用给出的示例，但如问题中所述，我有一个 19 个“EMM”的列表来过滤（如“pat”中所示）并且不要不想每次都打出来？