用数据框中的单词替换确切的字符串并匹配仅包含某个单词的字符串

Question

我正在使用 R 并且我有两个数据框。一个数据框 my_data 是我的主要数据集，其中包含订单数据，另一个 word_list 包含我想与 my_data 匹配的单词列表。

这是两个数据框的可重现示例：

my_data <- data.frame(
  Order = c("1","2", "3", "4", "5", "6"),
  Product_ID = c("TS678", "AB123", "PACK12, 1xGF123, 1xML680", "AB123", "PACK13, 1xML680, 1x2304TR", "GF123"))

word_list <- data.frame(
  Codes = c("TS678","AB123", "GF123", "CC756"),
  Product_Category = c("Apple", "Apple", "Orange", "Orange"))

我想做的是将my_data 中的 Product_ID 与word_list 中的代码相匹配，并在my_data 中添加一个新列，其中匹配来自word_list 的 Product_Category。
但是，我需要实现完全匹配并考虑代码组合（如示例数据中的“PACK”所示，它在一列中包含多个产品代码）

对于最终的数据框，我希望得到以下结果：

1. 完全匹配 -> 添加相应的 Product_Category，例如“苹果”
2. 匹配包含来自word_list 的代码但也包含其他代码的列。某些产品是 Packs 并且 ID 与其他 ID 混合在一起 -> 如果包含“apple”的代码以及包含其他代码，这将导致“Apple + Other”。这里的另一个问题是需要匹配的Code还带有一个计数（例如，PACK12包括1x GF123、1xML680等）
3. 应将不包含完全匹配或混合匹配的所有列分配为“其他”

为了更好地理解，我希望得到的最终结果是一个如下所示的数据框：

 my_data_result <- data.frame(
  Order = c("1","2", "3", "4", "5", "6"),
  Product_ID = c("TS678", "AB123", "PACK12, 1xGF123, 1xML680", "AB123", "PACK13, 1xML680, 1x2304TR", "GF123"),
  Product_Category = c("Apple", "Apple", "Orange + Other", "Apple", "Other", "Orange"))

我认为这可以使用 regex 和 gsub 来完成，但我不确定如何。

谢谢！

Answer 1

由于您的数据量很大，您可以尝试这种data.table 方法：

library(data.table)
library(splitstackshape)

#Convert to data.table
setDT(my_data)
setDT(word_list)

#Get the data in long format
df1 <- cSplit(my_data, 'Product_ID', direction = 'long')
#Remove initial characters 
df1[, Product_ID := sub('.*x', '', Product_ID)]

#Join the dataframes
df1 <- merge(df1, word_list, by.x = 'Product_ID', by.y = 'Codes', all.x = TRUE)
#Replace NA with "Other"
df1[, Product_Category := replace(Product_Category, 
                           is.na(Product_Category), 'Other')]

#Combine the values by Order
df1[, .(Product_ID = toString(Product_ID), 
       Product_Category = paste(sort(unique(Product_Category)), 
                          collapse = " + ")), Order]

#   Order            Product_ID Product_Category
#1:     5 2304TR, ML680, PACK13            Other
#2:     2                 AB123            Apple
#3:     4                 AB123            Apple
#4:     3  GF123, ML680, PACK12   Orange + Other
#5:     6                 GF123           Orange
#6:     1                 TS678            Apple

Answer 2

这是一个使用dplyr 和tidyr 的想法。我们将行拆分为长，清理代码，与word_list 匹配并按订单转换回字符串，即

library(dplyr)
library(tidyr)

my_data %>% 
 separate_rows(Product_ID, sep = ', ') %>% 
 mutate(Product_ID = sub('.*x', '', Product_ID), 
        Product_Category = as.character(word_list$Product_Category[match(Product_ID, word_list$Codes)]), 
        Product_Category = replace(Product_Category, is.na(Product_Category), 'Other')) %>%
 group_by(Order) %>% 
 summarise_all(list(~toString(unique(.))))

# A tibble: 6 x 3
#  Order Product_ID            Product_Category
#  <fct> <chr>                 <chr>           
#1 1     TS678                 Apple           
#2 2     AB123                 Apple           
#3 3     PACK12, GF123, ML680  Other, Orange   
#4 4     AB123                 Apple           
#5 5     PACK13, ML680, 2304TR Other           
#6 6     GF123                 Orange