时间戳

首页 > 解决方案 > R：如何从一个非常大的表格中快速选择两列中的常用词或相同数字？

r - R：如何从一个非常大的表格中快速选择两列中的常用词或相同数字？

问题描述

我有一张非常大的桌子（1,000,000 X 20）要处理，需要快速完成。

例如，我的表中有 2 列 X2 和 X3：

在此处输入图像描述

    X1  X2                                          X3
c1  1   100020003001, 100020003002, 100020003003    100020003001, 100020003002, 100020003004
c2  2   100020003001, 100020004002, 100020004003    100020003001, 100020004007, 100020004009
c3  3   100050006003, 100050006001, 100050006001    100050006011, 100050006013, 100050006021

现在我想创建 2 个新列，其中包含

1）常用词或相同的数字

例如：[1] "100020003001" "100020003002"

2）常用词或相同数字的计数

例如：[1] 2

我已经尝试了以下线程中的方法，但是，处理时间很慢，因为我使用了 for 循环：

计算两个字符串中的常用词

 library(stringi)
 Reduce(`intersect`,stri_extract_all_regex(vec1,"\\w+"))

谢谢您的帮助！我在这里真的很挣扎......

标签： rdataframedata-science

解决方案

我们可以将 'X2'、'X3' 列除以，,得到intersect对应list元素的map2lengthslist

library(tidyverse)
df1 %>%
   mutate(common_words = map2(strsplit(X2, ", "),
                              strsplit(X3, ", "),  
                                   intersect), 
          count = lengths(common_words))
# X1                                       X2                                       X3
#1  1 100020003001, 100020003002, 100020003003 100020003001, 100020003002, 100020003004
#2  2 100020003001, 100020004002, 100020004003 100020003001, 100020004007, 100020004009
#3  3 100050006003, 100050006001, 100050006001 100050006011, 100050006013, 100050006021
#                common_words count
#1 100020003001, 100020003002     2
#2               100020003001     1
#3                                0

或使用base R

df1$common_words <- Map(intersect, strsplit(df1$X2, ", "), strsplit(df1$X3, ", "))
df1$count <- lengths(df1$common_words)

数据

df1 <- structure(list(X1 = 1:3, X2 = c("100020003001, 100020003002, 100020003003", 
"100020003001, 100020004002, 100020004003", "100050006003, 
 100050006001, 100050006001"
 ), X3 = c("100020003001, 100020003002, 100020003004", "100020003001, 
 100020004007, 100020004009", 
 "100050006011, 100050006013, 100050006021")), class = "data.frame", 
  row.names = c("c1", "c2", "c3"))

推荐阅读