如何根据 R 中的字符串模式列表对列进行分组？

Question

我有一个数据框，其中有一列字符串，如下所示：

String_Column      Rating
Greenyy             1
BigGREENglow        2
BLUEBERRY           8
Shiny Emeralds      3
Sky Blue            3
Skyblue             6 
CERULEAN            2
Blueish Green       5
BLOO                3

我想为这些值创建分组，所以如果它有一个与绿色同义的词或包含绿色这个词的任何变体，我想将它分组为“绿色”。蓝色也一样。

所以我希望上面看起来像这样：

String_Column     Grouping      Rating
Greenyy           Green         1
BigGREENglow      Green         2 
BLUEBERRY         Blue          8
Shiny Emeralds    Green         3
Sky Blue          Blue          3
Skyblue           Blue          6
CERULEAN          Blue          2
Blueish Green     Green         5  
BLOO              Not Found     3

我创建了一个蓝色列表和一个绿色列表，其中包含与每个相关的单词。

Blue_List <- c("Blue", "BLUE", "blue", "Cerulean" , "CERULEAN", "cerulean" , "Sapphire", "sapphire" , "SAPPHIRE")

Green_List <- c("Green", "GREEN", "green", "Chartreuse", "CHARTREUSE", "chartreuse", "Emerald", "emerald", "EMERALD")

然后我想根据每个字符串是否在此列表中将其分组为蓝色或绿色。 并将此列添加到数据框中。如果该值不包含在列表中，则返回“未找到”

我已经能够做到这一点，

    DF$Grouping<-ifelse(grepl("TRUE",sapply(DF$String_Column, grepl, Green_List,ignore.case=TRUE, simplify=FALSE)),  "Green" ,
    grepl("TRUE",sapply(DF$String_Column, grepl, Blue_List,ignore.case=TRUE, simplify=FALSE)),"Blue" ,"Not Found")

但是，我需要保留分组的顺序，我不知道该怎么做。 对于“蓝绿色”的示例，我希望将其归类为绿色，但在读取 else 子句时将其放入蓝色分组中。

我想我可以将 ifelse 重新排序为首先具有“蓝色”，但实际数据集比我共享的要复杂一些，并且我最终希望对数据集的子集执行每个“else” '不是事先分组。

任何帮助将不胜感激！谢谢！

Answer 1

这是一个基本的 R 方法。我将减少列表，因为我们可以使用ignore.case=TRUE，但这不是严格要求：如果大小写很重要，则删除该组件。我唯一真正依赖的是每个元素的第一个元素都是相关的（并且会从中收集到名称）。

tmpstr <- Reduce(function(s, lst) gsub(paste0("(", paste(lst, collapse = "|"), ")"), lst[1], s, ignore.case = TRUE),
                 list(Blue_List, Green_List), init = dat$String_Column)
tmpcolors <- regmatches(tmpstr,
                        gregexpr(paste0("(", paste(Blue_List[1], Green_List[1], sep = "|"), ")"),
                                 tmpstr, ignore.case = TRUE))
tmpcolors <- replace(tmpcolors, sapply(tmpcolors, Negate(length)), NA_character_)
tmpcolors <- sapply(tmpcolors, tail, n = 1)
tmpcolors[ is.na(tmpcolors) ] <- "Not Found"
dat$Grouping <- tmpcolors
dat
#      String_Column Rating  Grouping
# 1 Greenyy               1     Green
# 2 BigGREENglow          2     Green
# 3 BLUEBERRY             8      Blue
# 4 Shiny Emeralds        3     Green
# 5 Sky Blue              3      Blue
# 6 Skyblue               6      Blue
# 7 CERULEAN              2      Blue
# 8 Blueish Green         5     Green
# 9 BLOO                  3 Not Found

事实上，如果你有两个以上的颜色列表，你可以简单地提供一个任意颜色集合的列表：

Color_Lists <- list(
  c("Blue", "cerulean" , "sapphire"),
  c("Green", "chartreuse", "emerald")
)
tmpstr <- Reduce(function(s, lst) gsub(paste0("(", paste(lst, collapse = "|"), ")"), lst[1], s, ignore.case = TRUE),
                 Color_Lists, init = dat$String_Column)
tmpcolors <- regmatches(tmpstr,
                        gregexpr(paste0("(", paste0(sapply(Color_Lists, `[[`, 1), collapse = "|"), ")"),
                                 tmpstr, ignore.case = TRUE))
tmpcolors <- replace(tmpcolors, sapply(tmpcolors, Negate(length)), NA_character_)
tmpcolors <- sapply(tmpcolors, tail, n = 1)
tmpcolors[ is.na(tmpcolors) ] <- "Not Found"
dat$Grouping <- tmpcolors

---

数据：

从“蓝绿色”得到“绿色”的假设是它是最后引用的颜色。如果您的规则比“最后提到的”更复杂，那么……也许这不会完美。

dat <- read.table(header=TRUE, sep="|", text="
String_Column   |   Rating
Greenyy         |    1
BigGREENglow    |    2
BLUEBERRY       |    8
Shiny Emeralds  |    3
Sky Blue        |    3
Skyblue         |    6 
CERULEAN        |    2
Blueish Green   |    5
BLOO            |    3")

Blue_List <- c("Blue", "cerulean" , "sapphire")
Green_List <- c("Green", "chartreuse", "emerald")

Answer 2

希望你能用这个

#data
string_Column <- c("Greenyy","BigGREENglow","BLUEBERRY","Shiny Emeralds","Sky Blue","Skyblue","CERULEAN","Blueish Green","BLOO")
Rating <- c(1,2,8,3,3,6,2,5,3)
df <- as.data.frame(cbind(string_Column,Rating))

#green and blue vector
Blue_List <- c("Blue", "BLUE", "blue", "Cerulean" , "CERULEAN", "cerulean" , "Sapphire", "sapphire" , "SAPPHIRE")
Green_List <- c("Green", "GREEN", "green", "Chartreuse", "CHARTREUSE", "chartreuse", "Emerald", "emerald", "EMERALD")


#applied function
test <- function(x) {
  if(grepl(paste(Green_List,collapse = "|"), x[1])){
    return("Green")
  }
  if(grepl(paste(Blue_List,collapse = "|"), x[1])){
    return("Blue")
  }
  return("none")
}

#save the new vector to dataframe
df$group <- unlist(apply(df, MARGIN = 1, test))

输出：

string_Column  Rating   group
1   Greenyy         1   Green
2   BigGREENglow    2   Green
3   BLUEBERRY       8   Blue
4   Shiny Emeralds  3   Green
5   Sky Blue        3   Blue
6   Skyblue         6   Blue
7   CERULEAN        2   Blue
8   Blueish Green   5   Green
9   BLOO            3   none