我正在尝试将数据集中的列内容与正则表达式字符串部分匹配。然后,我希望匹配行在新列中返回特定的匹配正则表达式。我的实际数据集很大(130 万行),有 300 个正则表达式,因此找到一种自动化的方法非常重要,这样添加新的正则表达式就不需要代码调整。
演示:
try.dat<-data.frame(c(1:10),c("hello","goodbye","tidings","partly","totally"))
names(try.dat)[1]<-"num"
names(try.dat)[2]<-"words"
try.dat
在这种情况下,如果一个正则表达式是“ly”,我希望在匹配行(部分、完全)中有一列包含“ly”,并在其他行中包含一些“不匹配”术语。我已经成功地使用 grepl ( subset not based on exact match ) 对数据进行了子集化,效果非常好,但这是我真正在努力解决的下一步!
我在尝试此方面取得了一些进展,主要基于此代码建议( partial string matching R ),我已对其进行了调整:
pattern<-c("ll|ood")
matching<-c("ood","ll")
regexes<-data.frame(pattern,matching)
output_vector<-character(nrow(try.dat))
for(i in seq_along(regexes)){
output_vector[grepl(x=try.dat$words,pattern=regexes[[i]][1])] <- regexes [[i]][2]
}
try.dat$match<- output_vector
try.dat
正如您所看到的,这会在匹配的行旁边返回一个“1” - 到达那里,但我已经没有想法了!我想知道是否有人可以指点?
谢谢!
最佳答案
我认为这样可以吗?
library(stringr)
try.dat$match = str_extract(try.dat$words, "ll|ood")
try.dat
# num words match
# 1 1 hello ll
# 2 2 goodbye ood
# 3 3 tidings <NA>
# 4 4 partly <NA>
# 5 5 totally ll
# 6 6 hello ll
# 7 7 goodbye ood
# 8 8 tidings <NA>
# 9 9 partly <NA>
# 10 10 totally ll
默认行为是提取第一个匹配项。如果您想获取所有匹配项,可以使用 str_extract_all
,但在这种情况下,您需要一个非 data.frame 设置来处理不同数量的匹配项。
关于regex - 部分字符串与新列中的匹配正则表达式匹配 - R,我们在Stack Overflow上找到一个类似的问题: https://stackoverflow.com/questions/32980677/