R:使用想要的子字符串列表清除字符串

Question

我有一个带有字符串的数据

Clause <- c('Big Truck Pb Anomaly Low', 'Red Truck Fe Anomaly High', 'Blue Truck Pb Anomaly High & Old Truck Fe Anomaly Low')
Input <- data.frame(Clause)

我想通过只保留在清洗列表中找到的子串来清除该字符串；

Keepers <- c('Anomaly', 'Low', 'High', '&', 'Pb', 'Fe', ' ', 'SomethingNotPresent')

期望的结果如下。

Wanted <- c('Pb Anomaly Low', 'Fe Anomaly High', 'Pb Anomaly High & Fe Anomaly Low')
Result <- data.frame(Wanted)

注意：“Keepers”列表还将包含“SomethingNotPresent”之类的项。

Answer 1

您可以在每个单词处拆分字符串，并只保留每一行的Keepers单词。

sapply(strsplit(Input$Clause, '\\s+'), function(x) 
       paste0(x[x %in% Keepers], collapse = ' '))

#[1] "Pb Anomaly Low"     "Fe Anomaly High"     "Anomaly High & Fe Anomaly Low"

Answer 2

你可以形成一个标准交替的白色条款，以保持。然后使用一个负的展望模式来识别应该删除的所有术语/空格：

alternation <- paste(Keepers, collapse="|")
regex <- paste0("\\s*(?!(?:", alternation, "))(?<!\\S)\\S+(?!\\S)\\s*")
df$clause <- gsub("\\s+", " ", trimws(gsub(regex, " ", df$clause, perl=TRUE)))
df

                            clause
1                   Pb Anomaly Low
2                  Fe Anomaly High
3 Pb Anomaly High & Fe Anomaly Low

数据：

inp <- c('Big Truck Pb Anomaly Low', 'Red Truck Fe Anomaly High',
         'Blue Truck Pb Anomaly High & Old Truck Fe Anomaly Low')
df <- data.frame(clause=inp, stringsAsFactors=FALSE)
Keepers <- c('Anomaly', 'Low', 'High', '&', 'Pb', 'Fe', ' ', 'SomethingNotPresent')