在 R 中返回 grep 的原始搜索词答案

【问题标题】：Return original search terms for grep in R在 R 中返回 grep 的原始搜索词
【发布时间】：2013-05-09 19:00:43
【问题描述】：

我有一个项目列表和一个搜索词列表，我正在尝试做两件事：

在项目中搜索与任何搜索词匹配的项，并返回 true 如果找到匹配项。
对于所有返回 true 的项目（即存在匹配项），我想还返回在步骤 1 中匹配的原始搜索词。

所以，给定以下数据框：

             items
1             alex
2 alex is a person
3   this is a test
4            false
5    this is cathy

以及以下搜索词列表：

"alex"      "bob"       "cathy"     "derrick"   "erica"     "ferdinand"

我想创建以下输出：

             items matches original
1             alex    TRUE     alex
2 alex is a person    TRUE     alex
3   this is a test   FALSE     <NA>
4            false   FALSE     <NA>
5    this is cathy    TRUE     cathy

第 1 步相当简单，但第 (2) 步有问题。要创建“匹配”列，我使用grepl() 创建一个变量，如果d$items 中的一行在搜索词列表中，则该变量为TRUE，否则为FALSE。

对于第 2 步，我的想法是我应该能够在指定 value = T 时只使用 grep()，如下面的代码所示。但是，这会返回错误的值：它不会返回 grep 匹配的原始搜索词，而是返回匹配项的值。所以我得到以下输出：

            items matches original
1             alex    TRUE     alex
2 alex is a person    TRUE     alex is a person
3   this is a test   FALSE     <NA>
4            false   FALSE     <NA>
5    this is cathy    TRUE     this is cathy

这是我现在使用的代码。任何想法将不胜感激！

# Dummy data and search terms
d = data.frame(items = c("alex", "alex is a person", "this is a test", "false", "this is cathy"))
searchTerms = c("alex", "bob", "cathy", "derrick", "erica", "ferdinand")

# Return true iff search term is found in items column, not between letters
d$matches = grepl(paste("(^| |[^abcdefghijklmnopqrstuvwxyzABCDEFGHIJKLMNOPQRSTUVQXYZ])", 
    searchTerms, "($| |[^abcdefghijklmnopqrstuvwxyzABCDEFGHIJKLMNOPQRSTUVQXYZ])", sep = "", 
    collapse = "|"), d[,1], ignore.case = TRUE
)

# Subset data
dMatched = d[d$matches==T,]   

# This is where the problem is: return the value that was originally matched with grepl above
dMatched$original = grep(paste("(^| |[^abcdefghijklmnopqrstuvwxyzABCDEFGHIJKLMNOPQRSTUVQXYZ])", 
    searchTerms, "($| |[^abcdefghijklmnopqrstuvwxyzABCDEFGHIJKLMNOPQRSTUVQXYZ])", sep = "", 
    collapse = "|"), dMatched[,1], ignore.case = TRUE, value = TRUE
)


d$original[d$matches==T] = dMatched$original

【问题讨论】：

你可以用[:alpha:]替换长字符串。
您可能想查看regmatches 函数。
@Thomas：感谢您的提示。但是，[:alpha:] 和其他预定义的字符类似乎对我不起作用。它必须与我的语言环境有关。从关于字符类的正则表达式文档中：“（因为它们的解释取决于语言环境和实现，所以最好避免使用它们。）指定所有 ASCII 字母的唯一可移植方法是将它们全部列为字符类 [ABCDEFGHIJKLMNOPQRSTUVWXYZabcdefghijklmnopqrstuvwxyz]。 "
@SteveS 是的，通常对我有用，所以我不知道该警告总体上有多准确。
语法为grep("[[:alpha:]]", c("123", "one"))或为否定"[^[:alpha:]]"；如果文件的编码很重要，那么您可能不会对寻找 ASCII 字母感到满意，因此“便携式”注释可能与您解释它的方式无关。

标签： r regex search

【解决方案1】：

感谢 Dason 提供的有用提示！我能够使用regmatches() 解决我的问题。这是我的代码，从最初的问题开始：

# This is where the problem is: return the value that was originally matched with grepl above
m = regexpr(paste("(^| |[^abcdefghijklmnopqrstuvwxyzABCDEFGHIJKLMNOPQRSTUVQXYZ])", 
    searchTerms, "($| |[^abcdefghijklmnopqrstuvwxyzABCDEFGHIJKLMNOPQRSTUVQXYZ])", sep = "", 
    collapse = "|"), dMatched[,1], ignore.case = TRUE 
)

dMatched$original = regmatches(dMatched[,1], m)

d$original[d$matches==T] = dMatched$original

这将返回以下输出，这正是我想要的：

             items matches original
1             alex    TRUE     alex
2 alex is a person    TRUE    alex 
3   this is a test   FALSE     <NA>
4            false   FALSE     <NA>
5    this is cathy    TRUE    cathy

【讨论】：

【解决方案2】：

不完全是您想要的，但您可以使用qdap 的termco 函数来执行此操作。如果您在同一个句子中有两个名字，这将有所帮助：

library(qdap)
termco(d$items, 1:nrow(d), searchTerms)

## > termco(d$items, 1:nrow(d), searchTerms)
##   nrow(d word.count       alex bob     cathy derrick erica ferdinand
## 1      1          1 1(100.00%)   0         0       0     0         0
## 2      2          4  1(25.00%)   0         0       0     0         0
## 3      3          4          0   0         0       0     0         0
## 4      4          1          0   0         0       0     0         0
## 5      5          3          0   0 1(33.33%)       0     0         0

要使用 qdap 获得所需的内容，您可以使用：

dat <- termco(d$items, 1:nrow(d), searchTerms)$raw
terms <- character()

for (i in 3:ncol(dat)){
    terms <- paste(terms, ifelse(dat[, i] == 1, colnames(dat)[i], ""))
}

d$matches <- as.logical(rowSums(dat[, -c(1:2)]))
x <- gsub(" ", ", ", clean(trim(terms)))
d$original <- replacer(x, "", NA)

## > d
##              items matches original
## 1             alex    TRUE     alex
## 2 alex is a person    TRUE     alex
## 3   this is a test   FALSE     <NA>
## 4            false   FALSE     <NA>
## 5    this is cathy    TRUE    cathy

【讨论】：

这也是一个非常好的解决方案。我想我更喜欢它，因为它还告诉您多个搜索词是否与项目列表匹配。谢谢！