如何根据data.table中的多个条件设置新列？

Question

我正在尝试基于文本搜索来收集目录信息。在Text列中搜索某个字符串，并将一些描述放入新列C_Organization。

这里是示例数据：

# load packages:
pacman::p_load("data.table",
               "stringr")

# make sample data:
DE <- data.table(c("John", "Sussan", "Bill"),
                 c("Text contains MIT", "some text with Stanford University", "He graduated from Yale"))

colnames(DE) <- c("Name", "Text")

> DE
     Name                               Text
1:   John                  Text contains MIT
2: Sussan some text with Stanford University
3:   Bill             He graduated from Yale

搜索某个字符串并使用新列创建一个新的data.table：

mit <- DE[str_detect(DE$Text, "MIT"), .(Name, C_Organization = "MIT")]
yale <- DE[str_detect(DE$Text, "Yale"), .(Name, C_Organization = "Yale")]
stanford <- DE[str_detect(DE$Text, "Stanford"), .(Name, C_Organization = "Stanford")]

# bind them together:
combine_table <- rbind(mit, yale, stanford)

combine_table

     Name C_Organization
1:   John            MIT
2:   Bill           Yale
3: Sussan       Stanford

这种 pick-and-combine 方法效果很好，但似乎有点乏味。是否可以在data.table中一步完成？

编辑

由于我的数据分析能力差，数据不干净，我需要把问题说清楚：

1. 真实数据有点复杂：

   (1) 在某些情况下，一个人来自两个以上的组织，例如Jack, UC Berkeley, Bell lab。和

   (2) 同一组织的同一个人出现在不同年份，如Steven, MIT, 2011、Steven, MIT, 2014。

2. 我想弄清楚：

   (1) 每个组织有多少人。如果一个人属于多个组织，则将出现最多的组织设为他的组织。 （即按受欢迎程度。）例如，John, MIT, AMS, Bell lab，如果 MIT 出现 30 次，AMS 12 次，Bell lab 26 次。然后将MIT 设为他的组织。

   (2) 计算每年有多少人。这与我最初的问题没有直接关系，但为了以后的计算，我不想扔掉这些记录。

Answer 1

另一种解决方案考虑到一个文本中的多个匹配项，按行操作并将匹配项绑定在一起：

uni <- c("MIT","Yale","Stanford")
DE[,idx:=.I][, c_org := paste(uni[str_detect(Text, uni)], collapse=","), idx]

这给出了：

> DE
     Name                                   Text idx             c_org
1:   John                      Text contains MIT   1               MIT
2: Sussan     some text with Stanford University   2          Stanford
3:   Bill He graduated from Yale, MIT, Stanford.   3 MIT,Yale,Stanford
4:   Bill                              some text   4                  

当您在Name 中有相同的名称时，按行操作的优势显而易见。当你这样做时：

DE[, uni[str_detect(Text, uni)], Name]

你得到的结果不正确：

     Name       V1
1:   John      MIT
2: Sussan Stanford
3:   Bill      MIT
4:   Bill Stanford

=> 你不知道第四行是哪个比尔。此外，Yale 不包含在“第一个”账单中（即原始数据集的第 3 行）。

---

使用过的数据：

DE <- structure(list(Name = c("John", "Sussan", "Bill", "Bill"), Text = c("Text contains MIT", "some text with Stanford University", "He graduated from Yale, MIT, Stanford.", "some text")), .Names = c("Name", "Text"), row.names = c(NA, -4L), class = c("data.table", "data.frame"))