R中的多个模式匹配多个文件，多列和多行

Question

我有一个我需要从中读取的 CSV 文件列表，其中包含多个文件，其中包含标题、描述...等列。从多个文件的这些列中，必须编写检索操作并与另一个 CSV 相匹配，该 CSV 由类似于 WordStream SEO 的工具生成的流行关键字（~10k）生成。

我能做什么

#Not sure if this is correct approach
              Source1<- read.csv(path to csv file)
                Keywords_tomatch<- read.csv(path to csv file)

            #cant really take both the columns into single vector and iterate over them

                    subColdesc <- Source1[,c(3)]
                    subcolTitle <-Source1[,c(2)]
                   keywordget<- subset(Keywords_tomatch,grepl("*",Keywords_tomatch$col1))

    #Two individual vectors since i'm not sure whether sapply() can be applied over multiple lists     Definition: sapply(list,function)

            descBoolean <- sapply(keywordget, 
                                      function(y) 
                                        sapply(subColdesc , 
                                               function(x) 
                                                 any(grepl(y,x))) 
                               )

           TitleBoolean = sapply(keywordget, 
                                  function(y)
                                    sapply(subcolTitle , 
                                        function(x)
                                          any(grepl(y,x)))
                              )

#matches just the first element in the column of keywordget against (~4k) elements in description,title column. i.e returns a warning/error 

在 grepl(y, x) 中： 参数“模式”的长度 > 1，并且只使用第一个元素

我已经在 Akrun's version of grep 尝试过，但它对我不起作用

问题：

如何匹配keywordget向量中的所有元素，检索Description,Title每一行匹配了哪些列，Description和Title匹配了哪些行。

简而言之，如何使用Keywords_tomatch检索Source1中所有游戏相关产品？

作为示例，我发布了我收集的两个文件。 Source1 只包含几行 4k 行

来源1 =1.csv, Keywords_tomatch = Gaming.csv

Answer 1

首先，让我指出一些可能导致您的代码无法正常工作的原因（如果我错了，请纠正我）：

• 您的文件是用stringAsFactors = TRUE 读取的，grepl 确实识别pattern = 参数的因子变量。但是由于您没有收到关于 grepl 无法识别因子的错误，因此我假设您在匹配之前将它们转换为字符。

• grepl 需要 fixed = TRUE 参数，否则它将把键的元素视为正则表达式。

• 您的关键字get 是一个数据框，R 将数据框作为列表调用时将其视为列表。因此，由于sapply 的第一个参数采用了一个列表，因此它将keywordget 视为具有1 个元素的列表。所以当这个元素（本质上是keywordget的整个向量）被提供给grepl函数的pattern参数时，你会得到错误： 在 grepl(y, x) 中：参数 'pattern' 的长度 > 1，并且只会使用第一个元素

例如，这应该可以工作：

sapply(keywordget$GAMING, function(y) {
  sapply(source1$title, function(x) {
    any(grepl(y,x, fixed = TRUE))
  })
})

以下是我的解决方案：

# Read files
source1 = read.csv("source1.csv", stringsAsFactors = FALSE)
keys = read.csv("gaming.csv", stringsAsFactors = FALSE)

# Finds the index of elements in source1 that matches 
# with any of the keys
matchIndex = lapply(source1, function(x){
  which(Reduce(`|`, lapply(keys$GAMING, grepl, x, fixed = TRUE)))
})

> matchIndex
$title
integer(0)

$description
[1] 189 293 382 402 456

title 有 0 个匹配项，而 description 有 5 个匹配项

# Returns the descriptions that match
source1$description[matchIndex$description]

# Returns the title corresponding to the descriptions that match
source1$title[matchIndex$description]

> source1$title[matchIndex$description]
[1] "tomb raider: legend"                     
[2] "namco museum 50th anniversary collection"
[3] "restricted area"                         
[4] "south park chef's luv shack"             
[5] "brainfood games cranium collection 2006"