使用 grepl 在管道中创建 data.table 列答案

【问题标题】：create data.table column in pipe with grepl使用 grepl 在管道中创建 data.table 列
【发布时间】：2018-10-04 00:49:35
【问题描述】：

我正在寻找一种在管道序列中创建新的data.table 列的方法，使用grepl 查找特定字符串的任何出现。

我已向here 和here 寻求帮助，似乎有很多关于这个主题的问题，但似乎并没有直接解决我的问题。

另外，我可能误解了data.table 的语法并引用了Reference semantics vignettes。我有下面的代码，其中有两种方法可以通过管道/链接但似乎不起作用。明确创建data.table 列的最后一个选项似乎有效，但我想知道它是否可以链接/管道。

据我了解，在data.table 中使用lapply 会将函数应用于整个列（即sum、mean、na.approx，我从另一个发布的问题中发现）但不会起作用在逐行的基础上。此外，我可以使用new_col := function(x) 将函数应用于给定列中的每一行。所以我会认为其中之一可以工作。

我（只是有点）知道grepl 需要一个值，但提供了一个向量，我不确定如何解决这个问题。

感谢您的帮助。

> library(data.table)
> 
> a = c("housefly",
+       "house fly",
+       "HOUSEFLY",
+       "HOUSE FLY")
> 
> dt = data.table(insect = c("housefly",
+                            "house fly",
+                            "HOUSEFLY",
+                            "HOUSE FLY",
+                            "dragonfly",
+                            "dragon fly"))
> 
> # does not work but I could put this in chain/pipe
> dt[, fly_check := sapply(.SD, grepl, paste(a, collapse = "|")), .SDcols = "insect"]
Warning message:
In FUN(X[[i]], ...) :
  argument 'pattern' has length > 1 and only the first element will be used
> dt
       insect fly_check
1:   housefly      TRUE
2:  house fly      TRUE
3:   HOUSEFLY      TRUE
4:  HOUSE FLY      TRUE
5:  dragonfly      TRUE
6: dragon fly      TRUE
> 
> # does not work but I could put this in chain/pipe
> dt[, fly_check := ifelse(grepl(insect, paste(a, collapse = "|")), TRUE, FALSE)]
Warning message:
In grepl(insect, paste(a, collapse = "|")) :
  argument 'pattern' has length > 1 and only the first element will be used
> dt
       insect fly_check
1:   housefly      TRUE
2:  house fly      TRUE
3:   HOUSEFLY      TRUE
4:  HOUSE FLY      TRUE
5:  dragonfly      TRUE
6: dragon fly      TRUE
> 
> # works but can't be chained/piped
> dt$fly_check = sapply(dt$insect, grepl, pattern = paste(a, collapse = "|"))
> dt
       insect fly_check
1:   housefly      TRUE
2:  house fly      TRUE
3:   HOUSEFLY      TRUE
4:  HOUSE FLY      TRUE
5:  dragonfly     FALSE
6: dragon fly     FALSE

【问题讨论】：

抱歉，应该更清楚地说明预期的结果。它是代码输出中最后打印的dt。如果昆虫列包含字符串“fly”，我正在寻找 fly_check 列以返回 TRUE。
相信你在找：dt[, fly_check := (Vectorize(grepl)(paste0(a, collapse = "|"),.SD)), .SDcols = c("insect")]
没问题！这样可行。你发我会标记的。感谢您对@chinsoon12 的快速回复......现在还有其他人。
@chinsoon12 如果您将您的评论作为解决方案发布，我会将其标记为正确，因为您是第一个回复的...

标签： r data.table grepl

【解决方案1】：

您似乎正在寻找这个，尽管@chinsoon12（在 cmets 中）提供了一个更简单的解决方案，它只是直接传递列名：

逻辑：在 data.table 中，如果您使用 .SD 参数调用它，则表示数据的子集，这也表明该列不是作为向量而是作为 data.table 对象传递（因此您必须使用 Vectorize 或其他操作），另一方面，如果您直接将其作为列传递，则 grepl 处理类似向量的结构没有问题（@Chinsoon12 解决方案）。

您可以查看this，这是一个非常有启发性的链接。

dt[, fly_check := (Vectorize(grepl)(paste0(a, collapse = "|"),.SD)), .SDcols = c("insect")]

导致：

#       insect fly_check
#1:   housefly      TRUE
#2:  house fly      TRUE
#3:   HOUSEFLY      TRUE
#4:  HOUSE FLY      TRUE
#5:  dragonfly     FALSE
#6: dragon fly     FALSE

【讨论】：

【解决方案2】：

我认为这只是%in% 对a 值的简单应用

dt[ , fly_check := insect %in% a]

这似乎比将grepl 应用于折叠的a 值作为模式更简单。

dt[ , fly_check := grepl( paste0(a, collapse="|") , insect)]

> dt
       insect fly_check
1:   housefly      TRUE
2:  house fly      TRUE
3:   HOUSEFLY      TRUE
4:  HOUSE FLY      TRUE
5:  dragonfly     FALSE
6: dragon fly     FALSE

我想如果您对ignore.case=TRUE 或“perl”或“固定”参数提供的所需设施具有普遍性，您可能仍会选择grepl 策略。

【讨论】：