将 R 子集向量视为字符串时

Question

我有一个大型数据框，我已将向量强制转换为字符串（使用 lapply 和 toString），以便它们适合数据框，现在我无法检查一列是否是另一列的子集。有没有一种简单的方法可以做到这一点。

X <- data.frame(y=c("ABC","A"), z=c("ABC","A,B,C"))

 X
      y     z
1   ABC   ABC
2    A   A,B,C


all(X$y %in% X$z)
[1] FALSE

(X$y[1] %in% X$z[1])
[1] TRUE

(X$y[2] %in% X$z[2])
[1] FALSE

我需要再次将每个 y 和 z 字符串值视为一个向量（逗号分隔），然后检查 y 是否是 z 的子集。

在上述情况下，A 是 A,B,C 的子集。但是，因为我将两者都视为字符串，所以它不起作用。

在上面，y 只是一个值，z 是 1 和 3。我要测试的数据帧样本是 10,000 行，y 每行有 1-5 个值，z 每行有 1-100 个值。看起来 1-5 始终是 z 的子集，但我想检查一下。

Answer 1

df = data.frame(y=c("ABC","A"), z=c("ABC","A,B,C"))

apply(df, 1, function(x) {               # perform rowise ops.
  y = unlist(strsplit(x[1], ","))        # splitting X$y if incase it had ","  
  z = y %in% unlist(strsplit(x[2], ",")) # check how many of 'X$y' present in 'X$z'
  if (sum(z) == length(y))               # if all present then return TRUE
    return(TRUE)
  else
    return(FALSE)
})

# 1] TRUE TRUE

# Case 2: changed the data. You will have to define if you want perfect subset or not. Accordingly we can update the code
df = data.frame(y=c("ABC","A,B,D"), z=c("ABC","A,B,C"))
#[1]  TRUE FALSE

Answer 2

我认为最好不要使用 lapply 和 toString 组合，而是将列表存储在数据框中。为此，我发现tbl_df（在tibble 包中找到）更友好，尽管我相信data.table 对象也可以做到这一点（如果我错了，请有人纠正我）

library(tibble)

y_char <- list("ABC", "A")
z_char <- list("ABC", c("A", "B", "C"))

X <- data_frame(y = y_char, 
                z = z_char)

请注意，当您现在打印X 时，tibble 每一行中的条目都是列表中的条目。现在我们可以使用mapply进行两两比较。

# All y in z
mapply(function(x, y) all(x %in% y),
       X$y,
       X$z)


# All z in y
mapply(function(x, y) all(y %in% x),
       X$y,
       X$z)