R - 字符串中元素的正则表达式匹配

Question

我想知道字符串中的任何元素是否出现在其他字符串中。

我的数据包含数百万行，并且是以下模拟数据的结构：

dt <- data.table(product = c("A", "B", "C", "A,C,E", "A,B", "A,B,C", "D", "A", "B", "A", "A", "A,B,C", "D", "D"),
              stock = c("A", "A,B", "A,B,C", "A,B,C,E", "A,B,C,E", "A,B,C,E", "A,B,C,D,E", "A", "A,B", "A,B", "A", "A,B,C", "A,B,C,D", "A,B,C,D"), stringsAsFactors = F)


dt[, product.2 := shift(product, type = "lead")]
dt[, product.3 := shift(product, n = 2, type = "lead")]

> dt
product     stock product.2 product.3
 1:       A         A         B         C
 2:       B       A,B         C     A,C,E
 3:       C     A,B,C     A,C,E       A,B
 4:   A,C,E   A,B,C,E       A,B     A,B,C
 5:     A,B   A,B,C,E     A,B,C         D
 6:   A,B,C   A,B,C,E         D         A
 7:       D A,B,C,D,E         A         B
 8:       A         A         B         A
 9:       B       A,B         A         A
10:       A       A,B         A     A,B,C
11:       A         A     A,B,C         D
12:   A,B,C     A,B,C         D         D
13:       D   A,B,C,D         D      <NA>
14:       D   A,B,C,D      <NA>      <NA>

从这些数据中我想知道以下几点：

1. 如果product.3 中的任何元素（以comma 分隔）出现在product.2
2. 如果product.3 中的任何元素（由comma 分隔）未出现在stock 中。
3. product.3 中的所有元素（由comma 分隔）是否都出现在stock 中？

预期的结果是这样的：

> dt
product     stock product.2 product.3 outcome1 outcome2 outcome3
 1:       A         A         B         C    FALSE    FALSE    FALSE
 2:       B       A,B         C     A,C,E     TRUE     TRUE    FALSE
 3:       C     A,B,C     A,C,E       A,B     TRUE     TRUE     TRUE
 4:   A,C,E   A,B,C,E       A,B     A,B,C     TRUE     TRUE     TRUE
 5:     A,B   A,B,C,E     A,B,C         D    FALSE    FALSE    FALSE
 6:   A,B,C   A,B,C,E         D         A    FALSE     TRUE     TRUE
 7:       D A,B,C,D,E         A         B    FALSE     TRUE     TRUE
 8:       A         A         B         A    FALSE     TRUE     TRUE
 9:       B       A,B         A         A     TRUE     TRUE     TRUE
10:       A       A,B         A     A,B,C     TRUE     TRUE    FALSE
11:       A         A     A,B,C         D    FALSE    FALSE    FALSE
12:   A,B,C     A,B,C         D         D     TRUE    FALSE    FALSE
13:       D   A,B,C,D         D      <NA>    FALSE    FALSE    FALSE
14:       D   A,B,C,D      <NA>      <NA>    FALSE    FALSE    FALSE

此问题是 Stackoverflow 上 this 问题的一部分。

EDIT 08/20/2019：包括第三个预期结果。

Answer 1

library(data.table)
library(stringr)

根据?str_detect

矢量化字符串和模式。等效于 grepl(pattern, x)。 grep(pattern, x) 的等价物参见 str_which()。

因此，一种选择是将, 替换为|（或匹配项），并直接将'product.2' 的相应元素与'product.3' 进行比较，类似于'product.2' 上的'stock' 比较。 3'。然后，将NA 元素替换为FALSE 与set

dt[, outcome1 := str_detect(product.2, str_replace_all(product.3, ",", "|"))]
dt[, outcome2 := str_detect(stock, str_replace_all(product.3, ",", "|"))]
for(j in names(dt)[5:6]) set(dt, i = which(is.na(dt[[j]])), j = j, value = FALSE)
dt
#    product     stock product.2 product.3 outcome1 outcome2
# 1:       A         A         B         C    FALSE    FALSE
# 2:       B       A,B         C     A,C,E     TRUE     TRUE
# 3:       C     A,B,C     A,C,E       A,B     TRUE     TRUE
# 4:   A,C,E   A,B,C,E       A,B     A,B,C     TRUE     TRUE
# 5:     A,B   A,B,C,E     A,B,C         D    FALSE    FALSE
# 6:   A,B,C   A,B,C,E         D         A    FALSE     TRUE
# 7:       D A,B,C,D,E         A         B    FALSE     TRUE
# 8:       A         A         B         A    FALSE     TRUE
# 9:       B       A,B         A         A     TRUE     TRUE
#10:       A       A,B         A     A,B,C     TRUE     TRUE
#11:       A         A     A,B,C         D    FALSE    FALSE
#12:   A,B,C     A,B,C         D         D     TRUE    FALSE
#13:       D   A,B,C,D         D      <NA>    FALSE    FALSE
#14:       D   A,B,C,D      <NA>      <NA>    FALSE    FALSE

---

前两行代码可以简化为@d.b提到的

dt[, paste0("outcome", 1:2) := lapply(.SD, str_detect, 
 pattern = str_replace_all(product.3, ",", "|")), .SDcols = c("product.2", "stock")]

更新

随着 OP 问题的更新

dt[, paste0("outcome", 1:2) := lapply(.SD, function(x) 
     str_detect(product.3, str_replace_all(x, ",", "|"))), 
          .SDcols = c('product.2', 'stock')]
dt[, outcome3 :=unlist(Map(function(x, y) {
       x1 <- sort(x[!is.na(x)])
       y1 <- sort(y[!is.na(y)]);
       length(intersect(x1, y1)) == length(x1)},
       str_extract_all(product.3, "[A-Z]"), 
       str_extract_all(stock, "[A-Z]"))) & !is.na(product.3)]

for(j in names(dt)[5:6]) set(dt, i = which(is.na(dt[[j]])), j = j, value = FALSE)
dt
#    product     stock product.2 product.3 outcome1 outcome2 outcome3
# 1:       A         A         B         C    FALSE    FALSE    FALSE
# 2:       B       A,B         C     A,C,E     TRUE     TRUE    FALSE
# 3:       C     A,B,C     A,C,E       A,B     TRUE     TRUE     TRUE
# 4:   A,C,E   A,B,C,E       A,B     A,B,C     TRUE     TRUE     TRUE
# 5:     A,B   A,B,C,E     A,B,C         D    FALSE    FALSE    FALSE
# 6:   A,B,C   A,B,C,E         D         A    FALSE     TRUE     TRUE
# 7:       D A,B,C,D,E         A         B    FALSE     TRUE     TRUE
# 8:       A         A         B         A    FALSE     TRUE     TRUE
# 9:       B       A,B         A         A     TRUE     TRUE     TRUE
#10:       A       A,B         A     A,B,C     TRUE     TRUE    FALSE
#11:       A         A     A,B,C         D    FALSE    FALSE    FALSE
#12:   A,B,C     A,B,C         D         D     TRUE    FALSE    FALSE
#13:       D   A,B,C,D         D      <NA>    FALSE    FALSE    FALSE
#14:       D   A,B,C,D      <NA>      <NA>    FALSE    FALSE    FALSE

Answer 2

split product.3 逗号，然后使用grepl 检查它是否存在于product.2 或stock 中

temp = strsplit(dt$product.3, ",")
sapply(seq_along(temp), function(i){
    any(sapply(temp[[i]], function(x) grepl(x, dt$product.2[i])))
})
# [1] FALSE  TRUE  TRUE  TRUE FALSE FALSE FALSE FALSE  TRUE  TRUE FALSE
#[12]  TRUE    NA    NA
sapply(seq_along(temp), function(i){
    any(sapply(temp[[i]], function(x) grepl(x, dt$stock[i])))
})
# [1] FALSE  TRUE  TRUE  TRUE FALSE  TRUE  TRUE  TRUE  TRUE  TRUE FALSE
#[12] FALSE    NA    NA