时间戳

首页 > 解决方案 > 使用（如果可能）函数方法基于正则表达式 (regex) 的向量修改向量

r - 使用（如果可能）函数方法基于正则表达式 (regex) 的向量修改向量

问题描述

我有一个数据框，其中包含一些我想要修改的列，具体取决于它们是否将向量中包含的某些模式与正则表达式匹配

library(fuzzyjoin)
library(tidyverse)

 (df <- tribble(~a,
               "GUA-ABC",
               "REF-CDE",
               "ACC.S93",
               "ACC.ATN"))

#> # A tibble: 4 x 1
#>   a      
#>   <chr>  
#> 1 GUA-ABC
#> 2 REF-CDE
#> 3 ACC.S93
#> 4 ACC.ATN

根据我要粘贴文本的模式，例如，对于那些在由点连接的链末尾包含 GUA- 粘贴“GUA001”的那些以及以相同方式包含 REF-粘贴“GUA002”的那些，能够获得以下内容：

# This is the resulting data.frame I need

#> # A tibble: 4 x 1
#>   a             
#>   <chr>         
#> 1 GUA-ABC.GUA001
#> 2 REF-CDE.GUA002
#> 3 ACC.S93       
#> 4 ACC.ATN

我想了一些办法。

方法#1

 # list of patterns to search
 patterns <- c("\\b^GUA\\b", "\\b^REF\\b")

 # Create a named list for recoding
 model_key <- list("\\b^GUA\\b" = "GUA001",
                   "\\b^REF\\b" = "GUA002")
 
 # Create a data.frame of regexs
 (k <- tibble(regex = patterns))

#> # A tibble: 2 x 1
#>   regex       
#>   <chr>       
#> 1 "\\b^GUA\\b"
#> 2 "\\b^REF\\b"

 # perform a regex_left_join to identify the pattern
 df %>% 
  regex_left_join(k, by = c(a = "regex")) %>% 
  mutate(
   
   across(regex, recode, !!!model_key),
   a = case_when(
    
    !is.na(regex) ~ str_c(a, regex, sep = "."),
    TRUE ~ a)
   
  ) %>% select(-regex)

#> # A tibble: 4 x 1
#>   a             
#>   <chr>         
#> 1 GUA-ABC.GUA001
#> 2 REF-CDE.GUA002
#> 3 ACC.S93       
#> 4 ACC.ATN

为什么这种方法不是最优的？原始数据框有数百万行，并且fuzzyjoin::regex_left_join需要很长时间才能做到这一点。

方法#2

 patron <- c("GUA001" = "\\b^GUA\\b", "GUA002" = "\\b^REF\\b")
 newtex <- c("GUA001", "GUA002")
 
 pegar <- function(string, pattern, text_to_paste) {
  
  if_else(condition = str_detect(string, pattern), 
          true = str_c(string, text_to_paste, sep = "."), 
          false = string)
  
 }
 
 map2_dfr(.x = patron, .y = newtex, ~ pegar(string = df$a, 
                                            pattern = .x, 
                                            text_to_paste = .y))
#> # A tibble: 4 x 2
#>   GUA001         GUA002        
#>   <chr>          <chr>         
#> 1 GUA-ABC.GUA001 GUA-ABC       
#> 2 REF-CDE        REF-CDE.GUA002
#> 3 ACC.S93        ACC.S93       
#> 4 ACC.ATN        ACC.ATN

由reprex 包于 2021-05-20 创建 (v2.0.0 )

使用方法＃2我无法获得单列。

作为旁注，使用str_replace_all和使用命名向量来替换字符串中的某些值目前似乎不是一个好的选择。

有没有办法更优化地做到这一点？

标签： rregexalgorithmvectorizationstringr

解决方案

一种使用stringrand的选项purrr可能是：

imap_dfr(model_key,
         ~ df %>%
          filter(str_detect(a, .y)) %>%
          mutate(a = str_c(a, .x, sep = "."))) %>%
 bind_rows(df %>%
            filter(str_detect(a, str_c(names(model_key), collapse = "|"), negate = TRUE)))

  a             
  <chr>         
1 GUA-ABC.GUA001
2 REF-CDE.GUA002
3 ACC.S93       
4 ACC.ATN

推荐阅读