Vectorize data.table like, grepl, or similar to big data string comparison答案

【问题标题】：Vectorize data.table like, grepl, or similar for big data string comparisonVectorize data.table like, grepl, or similar to big data string comparison
【发布时间】：2016-06-10 04:47:04
【问题描述】：

我需要检查一列中的字符串是否包含来自另一列同一行的对应（数字）值，对于所有行。

如果我只检查单个模式的字符串，使用 data.table 的 like 或 grepl 将很简单。但是，每一行我的模式值都不同。

有一个有点相关的问题here，但与那个问题不同，我需要创建一个逻辑标志来指示模式是否存在。

假设这是我的数据集；

DT <- structure(list(category = c("administration", "nurse practitioner", 
                                  "trucking", "administration", "warehousing", "warehousing", "trucking", 
                                  "nurse practitioner", "nurse practitioner"), industry = c("admin", 
                                                                                            "truck", "truck", "admin", "nurse", "admin", "truck", "nurse", 
                                                                                            "truck")), .Names = c("category", "industry"), class = "data.frame", row.names = c(NA, 
                                                                                                                                                                               -9L))
setDT(DT)
> DT
             category industry
1:     administration    admin
2: nurse practitioner    truck
3:           trucking    truck
4:     administration    admin
5:        warehousing    nurse
6:        warehousing    admin
7:           trucking    truck
8: nurse practitioner    nurse
9: nurse practitioner    truck

我想要的结果是这样的向量：

> DT
   matches
1: TRUE
2: FALSE
3: TRUE
4: TRUE
5: FALSE
6: FALSE
7: TRUE
8: TRUE
9: FALSE

当然，1 和 0 与 TRUE 和 FALSE 一样好。

以下是我尝试过的一些不起作用的方法：

apply(DT,1,grepl, pattern = DT[,2], x = DT[,1])
[1] FALSE FALSE FALSE FALSE FALSE FALSE FALSE FALSE FALSE

> apply(DT,1,grepl, pattern = DT[,1], x = DT[,2])
[1] FALSE FALSE FALSE FALSE FALSE FALSE FALSE FALSE FALSE

> grepl(DT[,2], DT[,1])
[1] FALSE

> DT[Vectorize(grepl)(industry, category, fixed = TRUE)]
             category industry
1:     administration    admin
2:           trucking    truck
3:     administration    admin
4:           trucking    truck
5: nurse practitioner    nurse

> DT[stringi::stri_detect_fixed(category, industry)]
             category industry
1:     administration    admin
2:           trucking    truck
3:     administration    admin
4:           trucking    truck
5: nurse practitioner    nurse

> for(i in 1:nrow(DT)){print(grepl(DT[i,2], DT[i,1]))}
[1] FALSE
[1] FALSE
[1] FALSE
[1] FALSE
[1] FALSE
[1] FALSE
[1] FALSE
[1] FALSE
[1] FALSE

> for(i in 1:nrow(DT)){print(grepl(DT[i,2], DT[i,1], fixed = T))}
[1] FALSE
[1] FALSE
[1] FALSE
[1] FALSE
[1] FALSE
[1] FALSE
[1] FALSE
[1] FALSE
[1] FALSE

> DT[category %like% industry]
         category industry
1: administration    admin
2: administration    admin
Warning message:
In grepl(pattern, vector) :
  argument 'pattern' has length > 1 and only the first element will be used

【问题讨论】：

标签： r data.table

【解决方案1】：

在 OP 的代码中，, 未被使用。因此，基于data.table 方法，它将子集对应于i 索引的行。

但是，如果我们指定,，我们正在使用j，结果我们得到逻辑向量

DT[, stri_detect_fixed(category, industry)]
#[1]  TRUE FALSE  TRUE  TRUE FALSE FALSE  TRUE  TRUE FALSE

假设，我们将它保存在list 中，然后我们得到一个带有列的data.table

DT[, list(match=stri_detect_fixed(category, industry))]

【讨论】：

@akrun 关于解决方案是正确的，Frank 对错误是正确的。非常感谢！
@Frank 谢谢，我更新了解决方案。如果有任何遗漏，请随时添加。

【解决方案2】：

或使用：

apply(DT, 1, function(x) grepl(x[2], x[1],fixed=T))

【讨论】：

这也有效。这就是我在第一个示例中尝试做的事情。我想知道为什么我索引它的方式破坏了它。我猜行是由 apply() 中的边距暗示的。

【解决方案3】：

我通常这样做：

DT[, flag := grepl(industry, category, fixed = TRUE), by = industry]

【讨论】：