在 R 中测试两列字符串以逐行匹配答案

【问题标题】：Test two columns of strings for match row-wise in R在 R 中测试两列字符串以逐行匹配
【发布时间】：2015-06-15 20:29:51
【问题描述】：

假设我有两列字符串：

library(data.table)
DT <- data.table(x = c("a","aa","bb"), y = c("b","a","bbb"))

对于每一行，我想知道 x 中的字符串是否存在于 y 列中。循环方法是：

for (i in 1:length(DT$x)){
  DT$test[i] <- DT[i,grepl(x,y) + 0]
}

DT
    x   y test
1:  a   b    0
2: aa   a    0
3: bb bbb    1

这个有矢量化的实现吗？使用grep(DT$x,DT$y) 只使用x 的第一个元素。

【问题讨论】：

@LegalizeIt 是的，我不是在寻找 a == b 的情况，而是在行之间存在部分字符串匹配的情况。以上测试 x 是否在 y 中，但如果这很重要，您可以重新运行其他方式。我不确定您所说的“为什么 y 列中没有“a”？”
@DavidArenburg 好主意，但仅适用于 x 唯一时。我试过DT[, test := grepl(x, y) + 0, by = .I] 但得到相同的argument 'pattern' has length > 1 and only the first element will be used 错误。也就是说，可能有一个解决方案，您首先调用 DT[, RowI := .I]，然后使用 by = rowI
它不仅在x 唯一时有效。例如，对于DT <- data.table(x = c("a","aa","aa","bb"), y = c("b","a","a", "bbb")) 非常有效。
@DavidArenburg 你是对的......它会为每组 x 将相同的参数传递给 grepl，这都是相同的输入。聪明的。我正在对所有答案进行基准测试，并将给出最好的答案。
哦，我知道你在那里做了什么。你问这个赏金问题......

标签： regex r data.table

【解决方案1】：

你可以这样做

DT[, test := grepl(x, y), by = x]

【讨论】：

【解决方案2】：

或者mapply（Vectorize实际上只是mapply的包装）

DT$test <- mapply(grepl, pattern=DT$x, x=DT$y)

【讨论】：

【解决方案3】：

感谢大家的回复。我已经对它们进行了基准测试，并得出以下结论：

library(data.table)
library(microbenchmark)

DT <- data.table(x = rep(c("a","aa","bb"),1000), y = rep(c("b","a","bbb"),1000))

DT1 <- copy(DT)
DT2 <- copy(DT)
DT3 <- copy(DT)
DT4 <- copy(DT)

microbenchmark(
DT1[, test := grepl(x, y), by = x]
,
DT2$test <- apply(DT, 1, function(x) grepl(x[1], x[2]))
,
DT3$test <- mapply(grepl, pattern=DT3$x, x=DT3$y)
,
{vgrepl <- Vectorize(grepl)
DT4[, test := as.integer(vgrepl(x, y))]}
)

结果

Unit: microseconds
                                                                               expr       min        lq       mean     median        uq        max neval
                                             DT1[, `:=`(test, grepl(x, y)), by = x]   758.339   908.106   982.1417   959.6115  1035.446   1883.872   100
                            DT2$test <- apply(DT, 1, function(x) grepl(x[1], x[2])) 16840.818 18032.683 18994.0858 18723.7410 19578.060  23730.106   100
                              DT3$test <- mapply(grepl, pattern = DT3$x, x = DT3$y) 14339.632 15068.320 16907.0582 15460.6040 15892.040 117110.286   100
 {     vgrepl <- Vectorize(grepl)     DT4[, `:=`(test, as.integer(vgrepl(x, y)))] } 14282.233 15170.003 16247.6799 15544.4205 16306.560  26648.284   100

除了语法上最简单之外，data.table 解决方案也是最快的。

【讨论】：

我不确定这里的礼仪是什么（接受大卫的回答或我的回答）。无论如何，为所有人 +1 表示可以完成此操作的方法的数量。
对于这个特定的例子（x 和 y 值都重复），我看到在第一个例子中用 by=.(x,y) 代替 by=x 略有改进。

【解决方案4】：

您可以将grepl 函数传递给应用函数，以对数据表的每一行进行操作，其中第一列包含要搜索的字符串，第二列包含要搜索的字符串。这应该会给您一个问题的矢量化解决方案。

> DT$test <- apply(DT, 1, function(x) as.integer(grepl(x[1], x[2])))
> DT
    x   y test
1:  a   b    0
2: aa   a    0
3: bb bbb    1

【讨论】：

【解决方案5】：

你可以使用Vectorize:

vgrepl <- Vectorize(grepl)
DT[, test := as.integer(vgrepl(x, y))]
DT
    x   y test
1:  a   b    0
2: aa   a    0
3: bb bbb    1

【讨论】：