在R中，比较两个字符串列表，在第二个列表中找到第一个列表的每个元素的部分

Question

注意：我已更新问题以反映数据中的特定模式。

假设我有两个向量。

   names_data <- c('A', 'B', 'C', 'D', 'E', 'F')
   levels_selected <- c('A1','A3', 'Blow', 'Bhigh', 'D(4.88e+03,9.18+e+04]', 'F')

我想知道如何获取一个向量、一个数据框、一个列表或其他任何东西，以检查级别向量并返回选择了哪些变量的哪些级别。有句话说：

    A: 1, 3
    B: low, high
    D: (4.88e+03,9.18e+04]

最终，有一个数据框X，其中names_data = names(data) 和levels_selected 是每个变量中的部分级别，但不是全部级别。最后，我想要做的是使用model.matrix 制作一个矩阵（例如，一个随机森林），我只想在levels_selected 中包含变量和级别。有没有直接的方法？

Answer 1

我们可以在保留“levels_selected”（'grp'）中包含“names_data”的子字符串后创建一个分组变量，split使用'grp'去除前缀的子字符串以获得list。

grp <- sub(paste0("^(", paste(names_data, collapse="|"), ").*"), "\\1", levels_selected)
value <- gsub(paste(names_data, collapse="|"), "", 
               levels_selected)
lst <- split(value, grp)
lst
#$A
#[1] "1" "3"

#$B
#[1] "low"  "high"

#$D
#[1] "x"

如果我们的意思是这样的

library(qdapTools)
mtabulate(lst)
#  1 3 high low x
#A 1 1    0   0 0
#B 0 0    1   1 0
#D 0 0    0   0 1

---

或者另一个选项是使用strsplit

d1 <- as.data.frame(do.call(rbind, strsplit(levels_selected,
      paste0("(?<=(", paste(names_data, collapse="|"), "))"), 
             perl=TRUE)), stringsAsFactors=FALSE)
aggregate(V2~V1, d1, FUN= toString)
#  V1        V2
#1  A      1, 3
#2  B low, high
#3  D         x

model.matrix 可能是

model.matrix(~V1+V2-1, d1)

更新

通过使用 OP 的新示例

d1 <- as.data.frame(do.call(rbind, strsplit(levels_selected,
  paste0("(?<=(", paste(names_data, collapse="|"), "))"), 
         perl=TRUE)), stringsAsFactors=FALSE)
split(d1$V2, d1$V1) 
#$A
#[1] "1" "3"

#$B
#[1] "low"  "high"

#$D
#[1] "(4.88e+03,9.18+e+04]"

它也适用于第一种方法。

更新2

如果'names_data'中的元素没有字符，我们可以将它们过滤掉

lst <- strsplit(levels_selected, paste0("(?<=(", paste(names_data, 
            collapse="|"), "))"), perl = TRUE)
d2 <-  as.data.frame(do.call(rbind,lst[lengths(lst)==2]), stringsAsFactors=FALSE)
split(d2$V2, d2$V1)
#$A
#[1] "1" "3"

#$B
#[1] "low"  "high"

#$D
#[1] "(4.88e+03,9.18+e+04]"

Answer 2

一个选项返回一个列表，其中包含存储在每个对应名称下的向量作为向量：

> setNames(lapply(names_data, function(x) gsub(x, "", levels_selected[grepl(x, levels_selected)])), names_data)
$A
[1] "1" "3"

$B
[1] "low"  "high"

$C
character(0)

$D
[1] "x"

$E
character(0)

Answer 3

所以这是我从 regexpr 帮助示例中扩展的一个方便的小功能，使用 perl 风格的正则表达式

parseAll <- function(data, pattern) {

  result <- gregexpr(pattern, data, perl = TRUE)
  do.call(rbind,lapply(seq_along(data), function(i) {
  if(any(result[[i]] == -1)) return("")
  st <- data.frame(attr(result[[i]], "capture.start"))
  le <- data.frame(attr(result[[i]], "capture.length") - 1)

  mapply(function(start,leng) substring(data[i], start, start + leng), st, le)

}))
}

编辑：它被扩展了，因为它会找到多个匹配的模式，让您可以查找每行多个模式。所以像这样的模式："(?<first>[[:upper:]][[:lower:]]+) (?<last>[[:upper:]][[:lower:]]+)"（来自原始 regexpr 帮助）会在每个字符串中找到该模式的所有实例，而不仅仅是一个。

假设我的数据如下所示：

dat <- c('A1','A2','A3','B3')

然后我可以通过以下方式搜索此数据 parseAll(z,'A(?<A>.*)|B(?<B>.*)') 获取选定级别的 data.frame：

parseAll(dat,'A(?<A>.*)|B(?<B>.*)')

     A   B  
[1,] "1"  "" 
[2,] "2"  ""
[3,] "3"  "" 
[4,] ""   "3" 

每个级别都有哪些选择（尽管这可能对您没有用），我也可以通过您的向量以编程方式生成这些模式：

pattern <- paste(paste0(names_data,'(?<',names_data,'>.*)'),collapse = '|')

那么您选择的级别是每列的唯一元素，（它在 data.frame 中，因此转换为列表很容易）

这是我的万能工具，希望能派上用场