Частичное совпадение строк в R и обрезка символов - PullRequest
Новая
       86

Частичное совпадение строк в R и обрезка символов

0 голосов
/ 28 июня 2018

Вот данные и вектор. 

df1  <-  tibble(var1 = c("abcd", "efgh", "ijkl", "mnopqr", "qrst"))
vec <-  c("ab", "mnop", "ijk")

Теперь для всех значений в var1, которые соответствуют ближайшим (я хотел бы сопоставить первые n символов) со значениями в vec, оставьте только до первых 3 символов vec в var1, так что желаемое решение: 

df2 <- tibble(var1 = c("ab", "efgh", "ijk", "mno", "qrst"))

Так как «abcd» наиболее близко соответствует «ab» в vec, мы сохраняем только до 3 символов «ab», то есть 2 в данном случае, в df2, но «efgh» не существует в vec, поэтому мы продолжаем то есть, то есть "efgh" в df2 и т. д.

Могу ли я использовать dplyr, stringr, fuzzyjoin, agrep или fuzzywuzzyr ​​для этого? Вы можете использовать следующие предложенные здесь https://stackoverflow.com/a/51053674/6762788, благодаря Psidom. 

df1 %>% 
    mutate(var1 = ifelse(var1 %in% vec, substr(var1, 1, 3), var1))

Ответы [ 2 ]

0 голосов
/ 28 июня 2018 
df1 <- tibble(var1 = c("abcd", "efgh", "ijkl", "mnopqr", "qrst","mnopr"))

a = which(adist(vec,df1$var1,partial = T,ignore.case = T)==0,T)

df1%>%
  mutate(var1=replace(var1,a[,2],substr(vec[a[,1]],1,3)))
# A tibble: 6 x 1
  var1 
  <chr>
1 ab   
2 efgh 
3 ijk  
4 mno  
5 qrst 
6 mno
0 голосов
/ 28 июня 2018

Вот два шага. Во-первых, функция, которая выполняет нечеткое сопоставление и заменяет первые n символов. Он запускает agrepl для сопоставления входного шаблона с указанным вектором и сохраняет до первых n символов, если они совпадают. Если совпадений нет, возвращается NA. Это предназначено для применения к вектору шаблонов через lapply, поэтому вторая функция предназначена для Reduce, чтобы превратить его в один вектор. reducer принимает два вектора одинаковой длины и заменяет все экземпляры первого, где второй не NA, на значение второго, не пропущенное.

Все это оборачивается парой вызовов и возвращает вектор по желанию. 

fuzzy_match_and_replace = function(pattern, vector, n = 3){
  n = min(c(n,nchar(pattern)))
  match = agrepl(pattern,vector)
  pattern_first_n = substr(pattern,1,n)
  vector_first_n = substr(vector,1,n)
  output = rep(NA,length(vector))
  output[match & pattern_first_n == vector_first_n] = pattern_first_n
  return(output)
}

reducer = function(a,b){
  a[!is.na(b)] = b[!is.na(b)]
  return(a)
}


df1  <-  data.frame(var1 = c("abcd", "efgh", "ijkl", "mnopqr", "qrst"), stringsAsFactors = FALSE)
vec <-  c("ab", "mnop", "ijk")
Reduce(reducer,lapply(vec,fuzzy_match_and_replace,vector=df1$var1),init=df1$var1)
#> [1] "ab"   "efgh" "ijk"  "mno"  "qrst"

Если вы хотите, чтобы он работал на шаге мутации, вы можете использовать оболочку, подобную следующей 

wrapper = function(pattern, vector, n = 3){
  Reduce(reducer,lapply(pattern,fuzzy_match_and_replace,vector=vector,n=n),init=vector)
}

UPDATE

Вот более простая функция (1 шаг), которая использует adist из ответа Onyambu, но не полагаясь на max.col, вместо этого, используя vapply, она проходит по матрице, идентифицируя совпадение и делая замену. 

fuzzy_match_and_replace = function(pattern, vector, n = 3, ...){
  matches = adist(pattern,vector,partial=T,...) == 0
  replace = vapply(apply(matches,2,which)
                  ,function(x){
                    if(length(x) > 0) return(substr(pattern,1,n)[x]) else return(NA_character_)
                   }
                  ,FUN.VALUE = c(""))
  vector[!is.na(replace)] = replace[!is.na(replace)]
  return(vector)
}

library(dplyr)
df1  <-  tibble(var1 = c("abcd", "efgh", "ijkl", "mnopqr", "qrst","mnopr"))
vec <-  c("ab", "mnop", "ijk")

df1%>%
  mutate(var1=fuzzy_match_and_replace(vec,var1))
#> # A tibble: 6 x 1
#>   var1 
#>   <chr>
#> 1 ab   
#> 2 efgh 
#> 3 ijk  
#> 4 mno  
#> 5 qrst 
#> 6 mno
...