代码之家 › 专栏 › 技术社区 › Ankhnesmerira

在r中使用动态(变量)字符串作为regex模式

data.table nested dynamic regex r

Ankhnesmerira · 技术社区 · 7 年前

我有一个数据表dt_字(大尺寸):

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

我还有另一个data.table dt_字符串,其中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中所有字符串中出现的总数,并将该值保存为dt_-word中的一列。我用它做环,看起来很难看。

我试过使用laply和mapply,但是没有用,因为函数需要一个内部输入。

这是for循环的单词(但它需要很长时间,而且很难看)

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"))))
}

我知道格式更像是一个data.frame,但是因为我使用的是循环,所以这并不重要,是吗? 不管怎样,我想知道是否可以在data.table中使用apply来消除这种丑陋。

期望输出为:

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

编辑:我编辑了dt_字符串以包含更多匹配单词的示例。我只对匹配整个单词感兴趣,因此必须以某种方式包含regex语法。

3 回复 | 直到 7 年前

David Arenburg Ulrik 7 年前

如果您的单词确实被一个空格分隔,我会将它们拆分为列,转换为长格式,然后运行结合 by = .EACHI 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

附笔。

我用过 fixed = TRUE 对于速度,正如我假设的,每个词之间总是有一个空格。如果空间不同,您需要使用 tstrsplit(string, "\\s+") 相反,这可能会更慢。

Nicolas2 7 年前

假设您所称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。重点是你必须在字符串中分隔不同的单词,但是很容易将“strsplit”与其他分隔符相适应。

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

Melissa Key 7 年前

下面是一个使用 tidyverse 套装。

library(stringr)
library(purrr)

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

不使用的替代方案 purrr :

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