R grep：将一个字符串与多个模式匹配

Question

在 R 中，grep 通常将多个字符串的向量与一个正则表达式匹配。

问：是否有可能将单个字符串与多个正则表达式匹配？ （不循环每个正则表达式模式）？

一些背景：

我有 7000 多个关键字作为几个类别的指标。我无法更改该关键字字典。字典结构如下（第1列的关键词，数字表示这些关键词所属的类别）：

ab  10  37  41
abbrach*    38
abbreche    39
abbrich*    39
abend*  37
abendessen* 60  63
aber    20  23  45
abermals    37

用“|”连接这么多关键字不是一种可行的方法（而且我不知道哪个关键字产生了命中）。 此外，仅仅颠倒“模式”和“字符串”是行不通的，因为模式有截断，反过来也行不通。

[related question，其他编程语言]

Answer 1

re2r 包可以匹配多个模式（并行）。最小的例子：

# compile patterns
re <- re2r::re2(keywords)
# match strings
re2r::re2_detect(strings, re, parallel = TRUE)

Answer 2

要扩展other answer，将sapply() 输出转换为有用的逻辑向量，您需要进一步使用apply() 步骤。

keywords <- c("dog", "cat", "bird")
strings <- c("Do you have a dog?", "My cat ate by bird.", "Let's get icecream!")
(matches <- sapply(keywords, grepl, strings, ignore.case=TRUE))
#        dog   cat  bird
# [1,]  TRUE FALSE FALSE
# [2,] FALSE  TRUE  TRUE
# [3,] FALSE FALSE FALSE

要知道哪些字符串包含任何个关键字（模式）：

apply(matches, 1, any)
# [1]  TRUE  TRUE FALSE

要知道在提供的字符串中匹配了哪些关键字（模式）：

apply(matches, 2, any)
#  dog  cat bird 
# TRUE TRUE TRUE

Answer 3

如何将 regexpr 函数应用于关键字向量？

keywords <- c("dog", "cat", "bird")

strings <- c("Do you have a dog?", "My cat ate by bird.", "Let's get icecream!")

sapply(keywords, regexpr, strings, ignore.case=TRUE)

     dog cat bird
[1,]  15  -1   -1
[2,]  -1   4   15
[3,]  -1  -1   -1

    sapply(keywords, regexpr, strings[1], ignore.case=TRUE)

 dog  cat bird 
  15   -1   -1 

返回值是匹配中第一个字符的位置，-1 表示不匹配。

如果匹配的位置无关紧要，请改用grepl：

sapply(keywords, grepl, strings, ignore.case=TRUE)

       dog   cat  bird
[1,]  TRUE FALSE FALSE
[2,] FALSE  TRUE  TRUE
[3,] FALSE FALSE FALSE

更新：这在我的系统上运行相对较快，即使有大量关键字：

# Available on most *nix systems
words <- scan("/usr/share/dict/words", what="")
length(words)
[1] 234936

system.time(matches <- sapply(words, grepl, strings, ignore.case=TRUE))

   user  system elapsed 
  7.495   0.155   7.596 

dim(matches)
[1]      3 234936