在 R 中使用动态（变量）字符串作为正则表达式模式

Question

我有一个data.table DT_words（大维度）：

DT_words <- data.table(word = c('word1', 'word2', 'word3','word4'))

我有另一个 data.table DT_strings 包含一个包含大量字符串的列

DT_strings <- data.table(string = c('string1 made of word1', 'string2 made of word2 and word2 and word3 and word1ly', 'string3 made of word1 and word2'))

对于 DT_word 中的每个单词，我想计算 DT_string 中所有字符串的出现总数，并将该值保存为 DT_word 中的列。 我正在使用 for 循环，它看起来很丑。

我尝试使用 lapply 和 mapply 但无济于事，因为该函数需要内部输入。

这里是 for-loop that words（但它需要很长时间而且很丑）

require(stringr)

for (i in 1:nrow(DT_words))
{
   DT_words$word_count[i] <-  sum(str_count(DT_strings$string, 
                                  paste0(c("\\b("),paste(DT_words[i, .(word)]),c(")\\b"))))
}

我知道格式更像是 data.frame，但由于我使用的是循环，所以这并不重要，不是吗？ 无论如何，我想知道我是否可以在 data.table 中使用 apply 并摆脱这种丑陋。

期望的输出是：

> DT_words
    word word_count
1: word1          2
2: word2          3
3: word3          1
4: word4          0

编辑：我编辑了 DT_strings 以包含更多单词匹配的示例。我只对匹配整个单词感兴趣，因此必须以某种方式包含正则表达式语法。

Answer 1

如果您的单词确实只是用空格分隔，我会将它们拆分为列，转换为长格式，然后运行与by = .EACHI 结合的二进制连接，例如，使用您的数据：

library(data.table)
library(magrittr)                       
DT_strings[, tstrsplit(string, " ", fixed = TRUE)] %>% 
  melt(., measure.vars = names(.), na.rm = TRUE) %>%
  .[DT_words, on = .(value = word), .N, by = .EACHI]
#    value N
# 1: word1 2
# 2: word2 3
# 3: word3 1
# 4: word4 0

---

附言

我使用fixed = TRUE 来提高速度，因为我假设每个单词之间总是有一个空格。如果空格数不同，您需要使用 tstrsplit(string, "\\s+") 代替，这可能会更慢。

Answer 2

假设您所说的字符串和单词来自自然语言，我建议使用以下可能运行得更快的基本 R 解决方案。重点是您必须分隔字符串中的不同单词，但很容易将“strsplit”调整为其他分隔符。

s <- c('string1 made of word1', 'string2 made of word2 and word2 and word3', 'string3 made of word1 and word2')
w <- c('word1', 'word2', 'word3','word4')

z <- as.data.frame(table(unlist(strsplit(s,' '))))
z[z$Var1 %in% w,]

#   Var1 Freq
#7 word1    2
#8 word2    3
#9 word3    1

Answer 3

这是使用 tidyverse 软件包套件的解决方案。

library(stringr)
library(purrr)

DT_words$word_count <- map_int(paste0("\\b", DT_words$word,"\\b"),
   ~ str_count(DT_strings$string, .x) %>% sum)

不使用purrr的替代方案：

DT_words$word_count <- vapply(paste0("\\b", DT_words$word, "\\b"), function(x) {
  sum(str_count(DT_strings$string, x))
}, 0)