R: Regex_ Join /Fuzzy_Join -不同语序中的联接不精确字符串

Question

df1

​

​

df2

​

​

df3

​

​

library(dplyr)
library(fuzzyjoin)
df1  <- tibble(a =c("Apple Pear Orange", "Sock Shoe Hat", "Cat Mouse Dog"))
df2  <- tibble(b =c("Kiwi Lemon Apple", "Shirt Sock Glove", "Mouse Dog"),
               c = c("Fruit", "Clothes", "Animals"))
# Appends 'Animals'
df3 <-  regex_left_join(df1,df2, c("a" = "b"))
# Appends Nothing
df3 <-  stringdist_left_join(df1, df2,  by = c("a" = "b"), max_dist = 3, method = "lcs")

我想使用字符串“Apple”、“Sock”和“df1 Dog”将df1的第c列附加到后面。

我试着用regex_join和fuzzyjoin做这件事，但是字符串的顺序似乎很重要，似乎找不到绕过它的方法。

Answer 1

regex_left_join可以工作，但它不只是寻找任何相似之处。就像描述中说的，

通过正则表达式列连接另一个表中的字符串列的表

所以，我们需要提供一个正则表达式。如果df2$b包含单独的感兴趣的单词，我们可以这样做

(df2$regex <- gsub(" ", "|", df2$b))
# [1] "Kiwi|Lemon|Apple" "Shirt|Sock|Glove" "Mouse|Dog"      

然后

regex_left_join(df1, df2, by = c(a = "regex"))[-ncol(df1) - ncol(df2)]
# A tibble: 3 x 3
#   a                 b                c      
#   <chr>             <chr>            <chr>  
# 1 Apple Pear Orange Kiwi Lemon Apple Fruit  
# 2 Sock Shoe Hat     Shirt Sock Glove Clothes
# 3 Cat Mouse Dog     Mouse Dog        Animals

其中，-ncol(df1) - ncol(df2)简单地删除了包含regex模式的最后一列。