r - 检测数据框中的字符串模式并有条件地在 R 中填充另一个

Question

我有一个包含文本和数字引用的数据框，以及一个可能出现在文本中的单词向量。我想要的是检查 words_df 中的单词出现在 text_df$text 中的每个实例，并记录来自 word_df 的单词和来自新数据帧 (edge_df) 中 text_df$ref 的数字引用。

text_df <- data.frame(text = c("John went to the shops", "Sarita hates apples", "Wendy doesn't care about this"),
                      ref = c("13.5", "1.9.9", "20.1"))

words_df <- data.frame(word = c("shops", "John", "apples", "Wendy", "this"))

edge_df <- data.frame(ref = NA, word = NA)

输出应该是这样的:

> edge_df
    ref   word
1  13.5  shops
2  13.5   John
3 1.9.9 apples
4  20.1  Wendy
5  20.1   this

它不是很优雅，但我认为 for 循环会起作用，其中使用 stringr::str_detect 根据文本检查每个单词，如果结果为 TRUE 它将记录单词和 ref:

for (i in 1:nrow(text_df)) {
  for (j in 1:nrow(words_df)) {
    if (str_detect(text_df$text[i], words_df$word[j]) == TRUE) {
      edge_df$ref <- text_df$ref[i]
      edge_df$word <- words_df$word[j]
    }
  }
}

这没有用，而且这个循环也没有几个变体。如果可能的话，我宁愿根本不使用循环，因为我正在使用的数据帧每个都有大约 1000 行，并且循环遍历它们需要太长时间。非常感谢对循环的任何修复，如果你可以在没有循环的情况下完成它，将获得奖励积分/ Prop 。

谢谢!

Answer 1

这是一个带有 str_extract 和 unnest 的选项。我们将“文本”列中的单词提取到 list 中，并使用 unnest 扩展行

library(dplyr)
library(stringr)
library(tidyr)
text_df %>%
   transmute(ref, word = str_extract_all(text, 
                 str_c(words_df$word, collapse="|"))) %>%
   unnest(c(word))
# A tibble: 5 x 2
#  ref   word  
#  <chr> <chr> 
#1 13.5  John  
#2 13.5  shops 
#3 1.9.9 apples
#4 20.1  Wendy 
#5 20.1  this