查找大型数据集中子字符串的所有匹配项的（行、列）位置

Question

在大型数据集中查找包含子字符串“en”的所有匹配项的（行、列）位置。

1. 数据集有 100 多个列和 100 万行

2. 本来不知道有没有

示例数据集：

#Dataset call df
       col_1 col_2 col_3
    1    101  10n1 cb101
    2 ed10en    dn   101
    3    101   NA  1e01
    4    101 r1en1   ""
    5   en10   101 en5en

结果如下：第一个匹配是 (2,1) ，第二个匹配是 (5,1)，第三个匹配是 (4,2) ，第四个匹配是 (5,3) 是解决方案可以提供的预期结果。

>"2,1","5,1","4,2","5,3"

或任何可向量化的表达式。

1. ※which(df == "en",arr.ind = T) 找不到匹配的子字符串，对字符不起作用。
2. ※grep("en",df[1:ncol(df)])不能返回ROW索引
3. ※for (i in 1:ncol(df)){print(grep("en",df[i]))} COL 的索引未可视化，无法返回 SECOND ENCOUNTER 在同一列中的索引。
4. Excel 中的功能：Ctrl+F --Find > “Find All”更像是 预期的解决方案。

Answer 1

reprex::reprex_info()
#> Created by the reprex package v0.1.1.9000 on 2018-02-10

您可以使用grepl 加上一些技巧来获得结果为行 和列索引，而不是您从 grep 获得的向量索引。

df <- read.table(
header = T, text = '
     col_1 col_2 col_3
       101  10n1 cb101
    ed10en    dn   101
       101    NA  1e01
       101 r1en1    ""
      en10   101 en5en')

x <- as.matrix(df)
i <- grepl("en", x)    # logical vector of length = nrow(x) * ncol(x)
i
#>  [1] FALSE  TRUE FALSE FALSE  TRUE FALSE FALSE FALSE  TRUE FALSE FALSE
#> [12] FALSE FALSE FALSE  TRUE

dim(i) <- dim(x)       # coerce to matrix with same dimensions as x
i
#>       [,1]  [,2]  [,3]
#> [1,] FALSE FALSE FALSE
#> [2,]  TRUE FALSE FALSE
#> [3,] FALSE FALSE FALSE
#> [4,] FALSE  TRUE FALSE
#> [5,]  TRUE FALSE  TRUE

which(i, arr.ind = T)  # check which are TRUE and report as row, col
#>      row col
#> [1,]   2   1
#> [2,]   5   1
#> [3,]   4   2
#> [4,]   5   3

另一种方法可能是只使用grep，结合一些模块化 算术计算行和列的位置，给定 数据的维度，并使用 R 中的矩阵基本上是 以行数包裹的列向量：

i <- grep("en", x)
i
#> [1]  2  5  9 15

row <- 1 + (i - 1) %% nrow(x)   # number of positions outside full columns
col <- 1 + (i - 1) %/% nrow(x)  # number of full columns before position i

cbind(row, col)
#>      row col
#> [1,]   2   1
#> [2,]   5   1
#> [3,]   4   2
#> [4,]   5   3

感觉后一种方法在大数据的情况下会更有效，因为您可以避免创建大的中间逻辑向量。

Answer 2

希望这会有所帮助！

l <- lapply(colnames(df), function(x) grep("en", df[,x]))
final_result <- unlist(lapply(seq_along(l), function(i) paste(l[[i]], i, sep = ",")))
final_result

输出是：

[1] "2,1" "5,1" "4,2" "5,3"

样本数据：

df <- structure(list(col_1 = c("101", "ed10en", "101", "101", "en10"
), col_2 = c("10n1", "dn", NA, "r1en1", "101"), col_3 = c("cb101", 
"101", "1e01", "", "en5en")), .Names = c("col_1", "col_2", "col_3"
), class = "data.frame", row.names = c("1", "2", "3", "4", "5"
))