如何在另一列中查找名称子集？

Question

我有一个如下所示的文件名列表：

files$name <-c("RePEc.aad.ejbejj.v.1.y.2010.i.0.p.84.pdf", "RePEc.aad.ejbejj.v.12.y.2017.i.2.p.1117.pdf", "RePEc.aad.ejbejj.v.2.y.2011.i.0.p.17.20.pdf", "RePEc.aad.ejbejj.v.2.y.2011.i.0.p.60.62.pdf")

我有一个更长的 ID 列表，它是更大数据框的一列，其中一些对应于文件名列表 (names)，但这些名称有不同的标点符号。该列如下所示：

df$repec_id <- c("RePEc:aad.ejbejj:v:1:y:2010:i:0:p:84", "RePEc:aad:ejbejj:v:12:y.2017:i:2:p:1117", "RePEc:aad:ejbejj:v:2:y:2011:i:0:p:17-20", "RePEc:aad:ejbejj:v:2:y:2011:i:0:p:60-62", "RePEc:aad.ejbejj:v:1:y:2010:i:0:p:99","RePEc:aad.ejbejj:v:1:y:2010:i:0:p:103")

我想对df$repec_id 中的列表进行子集化，这样我就只有与files$name 中的文件名对应的字符串，但它们有不同的标点符号。换句话说，我想要一个如下所示的输出：

ID_subset <- c("RePEc:aad.ejbejj:v:1:y:2010:i:0:p:84", "RePEc:aad:ejbejj:v:12:y.2017:i:2:p:1117", "RePEc:aad:ejbejj:v:2:y:2011:i:0:p:17-20", "RePEc:aad:ejbejj:v:2:y:2011:i:0:p:60-62")

最初，我认为从两个列表中删除所有特殊字符然后比较它们会起作用。所以我这样做了：

files$name <- str_replace_all(files$name, "\\.pdf", "")
files$name <- str_replace_all(files$name, "[[:punct:]]", "")
df$repec_id <- str_replace_all(files$name, "[[:punct:]]", "")
subset <- df[trimws(df$repec_id) %in% trimws(files$name), ]

但是，我需要一种方法来保留 df$repec_id 中 ID 的原始结构，因为我需要提供来自 df$repec_id 的 ID 列表，这些 ID 不在子集中。有没有人有什么建议？提前感谢您的帮助！

Answer 1

我们可以使用

!gsub('[^[:alnum:]]+', '', df$repec_id) %in% gsub('\\.pdf$|[^[:alnum:]]', '',files$name)
#[1] FALSE FALSE FALSE FALSE  TRUE  TRUE

Answer 2

您可以删除repec_id 和name 中的所有标点符号，并使用%in% 找出匹配的字符串。

gsub('[[:punct:]]', '', df$repec_id) %in% 
          gsub('\\.pdf$|[[:punct:]]', '',files$name) 
#[1]  TRUE  TRUE  TRUE  TRUE FALSE FALSE

如果你添加否定(!) 符号，你会得到不匹配的字符串。

!gsub('[[:punct:]]', '', df$repec_id) %in% 
       gsub('\\.pdf$|[[:punct:]]', '',files$name) 
#[1] FALSE FALSE FALSE FALSE  TRUE  TRUE

这将保持与df$repec_id 相同的长度，因此您可以使用它来对df 中的行进行子集化。