通过data.table (R)循环grepl()

Question

我有一个数据集存储为data.table DT，如下所示：

print(DT)
   category            industry
1: administration      admin
2: nurse practitioner  truck
3: trucking            truck
4: administration      admin
5: warehousing         nurse
6: warehousing         admin
7: trucking            truck
8: nurse practitioner  nurse         
9: nurse practitioner  truck 

我希望将表缩小为行业与类别匹配的行。我的一般方法是使用grepl()来regex匹配字符串'^{{INDUSTRY}}[a-z ]+$'和DT$category的每一行，在regex字符串中插入相应的DT$industry行来代替{{INDUSTRY}}，使用infuse()。我很难找到一个圆滑的data.table解决方案，能够正确地遍历表并进行行内比较，因此我求助于for-循环来完成工作：

template <- "^{{IND}}[a-z ]+$"
DT[,match := FALSE,]
for (i in seq(1,length(DT$category))) {
    ind <- DT[i]$industry
    categ <- d.daily[i]$category
    if (grepl(infuse(IND=ind,template),categ)){
        DT[i]$match <- TRUE
    }
}
DT<- DT[match==TRUE]
print(DT)
       category            industry
1: administration      admin
2: trucking            truck
3: administration      admin
4: trucking            truck
5: nurse practitioner  nurse         

不过，我相信这是可以做得更好的。对于如何利用data.table包的功能来实现这一结果，有什么建议吗？我的理解是，在这种情况下，使用包的方法可能比for循环更有效。

Answer 1

Data.table擅长分组操作；假设您在同一行业中有许多行，我认为这是有帮助的：

DT[ DT[, .I[grep(industry, category)], by = industry]$V1 ]

它使用the current idiom for subsetting by group, thanks to @eddi 。

备注。这些可能会进一步帮助：

• 如果有许多行具有相同的行业类别组合，请尝试by=.(industry,category)。
• 尝试其他替代grep的方法(比如肯和理查德的答案中的选项)。

Answer 2

你可以用stringi::stri_detect_fixed()。它在str和pattern上都是矢量化的。

DT[stringi::stri_detect_fixed(category, industry)]
#              category industry
# 1:     administration    admin
# 2:           trucking    truck
# 3:     administration    admin
# 4:           trucking    truck
# 5: nurse practitioner    nurse 

或者，可以使用stringr::str_detect()。它还对其两个参数进行向量化。

library(stringr)
DT[str_detect(category, fixed(industry))]

或者一个基本的R选项是通过grepl()运行mapply()

DT[mapply(grepl, industry, category, fixed = TRUE)]

或者您可以使用Vectorize(grepl)获得相同的结果。

DT[Vectorize(grepl)(industry, category, fixed = TRUE)]

所有这些都产生了相同的结果。

数据：

DT <- structure(list(category = c("administration", "nurse practitioner", 
"trucking", "administration", "warehousing", "warehousing", "trucking", 
"nurse practitioner", "nurse practitioner"), industry = c("admin", 
"truck", "truck", "admin", "nurse", "admin", "truck", "nurse", 
"truck")), .Names = c("category", "industry"), class = "data.frame", row.names = c(NA, 
-9L))
setDT(DT)

Answer 3

只要匹配始终基于category字符串的开始，那么这就很好了：

dt[substring(category, 1, nchar(industry)) == industry]
#              category industry
# 1:     administration    admin
# 2:           trucking    truck
# 3:     administration    admin
# 4:           trucking    truck
# 5: nurse practitioner    nurse