在 R 中执行多个单词搜索的优雅方法是什么？

Question

我正在构建一个单词搜索游戏，并且正在寻找一种“R”方式来执行此表示的最后一行，这对于 2 个单词来说是微不足道的，但我希望它能够处理 n字。我在想*apply 函数之一可以在这里工作，但不知何故我无法解决。

library(tidyverse)

# Sample word list (173,000 words in reality)
words <- data.frame(word = c('test', 'word', 'active', 'angina', 'endite', 'endive', 'engine', 'entire', 'alanine', 'evening', 'escape', 'entered'),
                    word_length = c(4, 4, 6, 6, 6, 6, 6, 6, 7, 7, 7, 7))

# Find a 6 letter word with 2nd letter n and a 7 letter word with letters 4 and 6 n
find       <- '.n.... ...n.n.'
find_words <- unlist(str_split(find, ' '))
find_regex <- paste0('\\b', find_words, '\\b')

words %>%
    filter(word_length == nchar(find_words[1])) %>%
    filter(str_detect(word, find_regex[1])) %>%
    full_join(
        words %>%
            filter(word_length == nchar(find_words[2])) %>%
            filter(str_detect(word, find_regex[2]))
        , by = character(), suffix = c('1', '2')) %>%
    select(word1, word2)

另一个问题是做同样的事情，但数字代表未知字母，因为这会显着减少匹配

# Find a 6 letter word with 2nd letter n and a 7 letter word with letters 4 and 6 n
# where the 1st and 6th letters of the first word and 1st and 3rd letters of the second word are all the same (1 in find)
# and the 4th letter of the first word matches the 5th letter of the second word (3 in find)

find <- c('1n2341', '151n3n6')

# "Manual" solution
words %>%
    filter(word_length == 6 & str_sub(word, 2, 2) == 'n') %>%
    full_join(words %>% filter(word_length == 7  & str_sub(word, 4, 4) == 'n' & str_sub(word, 6, 6) == 'n'),
              by = character(), suffix = c('1', '2')) %>%
    # match letter represented by '1'
    filter(str_sub(word1, 1, 1) == str_sub(word1, 6, 6)) %>%
    filter(str_sub(word1, 1, 1) == str_sub(word2, 1, 1)) %>%
    filter(str_sub(word1, 1, 1) == str_sub(word2, 3, 3)) %>%
    # match letter represented by '3'
    filter(str_sub(word1, 4, 4) == str_sub(word2, 5, 5)) %>%
    select(word1, word2)

Answer 1

对于第一个问题，您可以简单地使用lapply() 或map() 循环模式。 str_detect() 已经为字符串向量化了。

然后，如果您想将这些条目合并到一个新的数据框中，您可以简单地使用expand.grid() 来重现您的示例。但请注意，这种格式可能不是最好的，这取决于您以后想用它做什么。

map(find_words, ~ words$word[str_detect(words$word, .x)]) %>%
  expand.grid()
#       Var1    Var2
# 1   angina alanine
# 2   endite alanine
# 3   endive alanine
# 4   engine alanine
# 5   entire alanine
# 6  entered alanine
# 7   angina evening
# 8   endite evening
# 9   endive evening
# 10  engine evening
# 11  entire evening
# 12 entered evening

---

对于进一步的问题，这里有一个分几个步骤的解决方案，但仅适用于 2 个单词（我使用第一个为第二个创建模式）。我认为对于更大的单词集，性能应该保持相当不错，但这需要测试。

library(tidyverse)


words <- tibble(word = c('alanins', 'snoops', 'test', 'word', 'active', 'angina', 'endite', 'endive', 'engine', 'entire', 'alanine', 'evening', 'escape', 'entered'),
                    word_length = nchar(word))

pattern1 <- '1n2341'
pattern2 <- '151n3n6'

candidates1 <- words$word[words$word_length == nchar(pattern1)]

has_consistent_names <- function(vec){
  # TRUE if each name is associated with a single value
  map_lgl(names(vec),
          ~ length(unique(vec[names(vec) == .x])) == 1) %>%
    all()
}

candidates1_chars <- map(candidates1, ~ setNames(str_split(.x, "")[[1]],
                             str_split(pattern1, "")[[1]]))

candidates1_chars <- Filter(has_consistent_names, candidates1_chars)

candidates2 <- words$word[words$word_length == nchar(pattern2)]
pattern2_chars <- str_split(pattern2, "")[[1]]

build_regex <- function(xx, ptrn){
  # for xx a named dictionary of numbers to characters, make regex pattern
  xx <- xx[ptrn]
  xx[is.na(xx)] <- "."
  paste(xx, collapse="")
}

pattern2_regex <- map_chr(candidates1_chars,
                          ~ build_regex(.x, pattern2_chars))


tibble(word1 = map_chr(candidates1_chars, ~paste(.x, collapse="")),
       word2 = map(pattern2_regex, ~candidates2[str_detect(candidates2, .x)])) %>%
  unnest(word2)
#> # A tibble: 6 x 2
#>   word1  word2  
#>   <chr>  <chr>  
#> 1 angina alanins
#> 2 angina alanine
#> 3 endite evening
#> 4 endive evening
#> 5 engine evening
#> 6 entire evening

^{由reprex package (v0.3.0) 于 2020 年 12 月 30 日创建}

思路比较简单，但是实现起来有很多实际问题：我先取所有长度合适的词来匹配第一个模式（candidates1），然后用字母分割，这样我就可以看是不是自己的了字母尊重模式1（即在该示例中，如果第一个和最后一个字符相同）。

所以我从第一个单词中得到了位置 字母的列表，并使用它为第二个单词生成正则表达式模式：我可以使用命名向量在字母和字符之间轻松转换。如果第二个单词中存在数字但第一个单词中不存在，我有一个 NA，我可以简单地将其替换为 . 以匹配任何内容，然后我可以将它们粘贴在一起。

最后，剩下的就是在每个实际单词上测试每个候选模式，以找到匹配的模式。如果我总是只有一场比赛，我可以使用map_chr()；在该示例中，一个模式不匹配，因此我将结果存储为列表，准备进行一些后处理（过滤长度（word2）为0的行，如果长度> 1，则仅保留第一个元素，...）