基于子字符串连接答案

【问题标题】：Join based on substring基于子字符串连接
【发布时间】：2018-12-08 18:23:00
【问题描述】：

我有一个包含以下电子邮件的数据集：

my_df <- data.frame(email = c("mirko@asdoi.com", "elsa@asodida.co.uk", "elsapina@asoqw.com"))

我有一个开源数据集，例如：

open_data <- data.frame(name = c("mirko", "elsa", "pina"), gender = c("male", "female", "male")

如何使用 open_data 查找 my_df 以将性别与每封电子邮件相关联？
在多连接的情况下，我希望它创建多条记录

结果应该是：

result <- data.frame(email = c("mirko@asdoi.com", "elsa@asodida.co.uk", "elsapina@asoqw.com", "elsapina@asoqw.com"), gender = c("male", "female", "female", "male))

【问题讨论】：

知道怎么加入elsapina，有男有女子组件的逻辑是什么？
我只需要一个快速的解决方案，而不是 100% 准确。
快速并不意味着易于编码。我什至无法为此表达 SQL 查询，更不用说 R 代码了。
我简化了问题。我只需要它根据 emaii 是否完全包含 open_data$name 来执行连接

标签： r regex join

【解决方案1】：

也许是这样的？不过，不确定这对于更复杂的情况会有多强大。

library(tidyverse)
open_data %>%
    rowwise() %>%
    mutate(email = list(grep(name, my_df$email))) %>%
    unnest() %>%
    mutate(email = my_df$email[email])
## A tibble: 4 x 3
#  name  gender email
#  <fct> <fct>  <fct>
#1 mirko male   mirko@asdoi.com
#2 elsa  female elsa@asodida.co.uk
#3 elsa  female elsapina@asoqw.com
#4 pina  male   elsapina@asoqw.com

解释：我们使用grep 在my_df$email 中查找open_data$name 的匹配项；然后unnest 扩展多个匹配项，并使用行索引提取email 条目。

【讨论】：

【解决方案2】：

一种选择是使用sqldf 库并通过两个数据框之间的数据库样式连接来解决此问题：

library(sqldf)
my_df$name <- sub("@.*$", "", my_df$email)
sql <- "select t1.email, t2.gender from my_df t1 inner join open_data t2 "
sql <- paste0(sql, "on t1.name like '%' || t2.name || '%'")
result <- sqldf(sql)

【讨论】：

聪明的想法，因此我验证你的答案。最后，我使用了另一个解决方案（根据stackoverflow.com/questions/32914357/…的第一个答案略有改编），我将在接下来的几天分享。