基于数据框和向量之间的部分匹配过滤行答案

【问题标题】：Filtering rows based on partial matching between a data frame and a vector基于数据框和向量之间的部分匹配过滤行
【发布时间】：2020-05-29 10:02:11
【问题描述】：

我有一个数据框，并希望根据第一列中名称与向量中名称的部分匹配来过滤它。

nam <- c('mmu_mir-1-3p','mmu_mir-1-5p','mmu-mir-3-5p','mir-4','mmu-mir-6-3p') #factor
aa <- c('12854','36','5489','54485','2563') #numeric
df <- data.frame(nam,aa)

vector <- c('mir-1','mir-3','mir-6')

我需要在df$nam 中的名称与vector 中的名称部分匹配的新数据框中包含行。所以new_df 应该是这样的。

new_nam <- c('mmu_mir-1-3p','mmu_mir-1-5p','mmu-mir-3-5p','mmu-mir-6-3p')  #factor
new_aa <- c('12854','36','5489','2563')  #numeric
new_df <- data.frame(new_nam,new_aa)

【问题讨论】：

不是直接关于这个问题，而是为什么你有数字列作为字符串？
这能回答你的问题吗？ How to use dplyr::filter() to return only rows where the value contains one or more of a given vector of strings?
再举几个例子（不是完全重复，而是类似的想法）here
数字列不是第一列的值，它们应该是字符串
由于名称的结构不同，由于某些原因，我在新的 df 中丢失了几行

标签： r dataframe filter match partial

【解决方案1】：

我们可以将paste 'vector' 的元素合并成一个由| 折叠的字符串，然后将grepl 或str_detect 中的行转换为filter 行

library(dplyr)
library(stringr)
df %>% 
   filter(str_detect(nam, str_c(vector, collapse="|")))
#           nam    aa
#1 mmu_mir-1-3p 12854
#2 mmu_mir-1-5p    36
#3 mmu-mir-3-5p  5489
#4 mmu-mir-6-3p  2563

在base R 中，这可以通过subset/grepl 完成

subset(df, grepl(paste(vector, collapse= "|"), nam))

【讨论】：

类似基R df[grep(paste(vector, collapse = "|"), df$nam), ]
它现在可以工作了，谢谢，但我想知道如果我们不做折叠，而是在不考虑任何前缀或后缀的情况下编写代码来 grep df 中的向量名称。 *-mir-1-* 之类的东西可以在bash 中使用，其中星代表anything 可以在这些位置。
@Apex 问题是grep 中的pattern 没有矢量化，即它只需要一个模式。长度为 1。这就是我折叠成单个字符串 wqith | 意思是 OR 的原因。否则，您也可以循环，即 Reduce("|", lapply(vector, grepl, x = df$nam)) 然后 Reduce 和 |
@akrun 你能否澄清一下与| 折叠成一个字符串如何帮助grep 在匹配时忽略prefix 和suffix？
@Apex 它正在寻找任何单词，即字符串中的子字符串，如果存在，则返回 TRUE 或 FALSE，即它在每个字符串中查找 mir-1、mir-3、...。最好有一个单词边界来限制边缘情况的匹配