正则表达式与fuzzyjoin / dplyr匹配

Question

我有两个数据帧，我想通过第一列连接它们，并忽略大小写：

df3<- data.frame("A" = c("XX28801","ZZ9"), "B" = c("one","two"),stringsAsFactors = FALSE)
df4<- data.frame("Z" = c("X2880","Zz9"),"C" = c("three", "four"), stringsAsFactors = FALSE)

我想要的是：

df5<- data.frame(A = c("XX28801","ZZ9"), B = c("one","two"), Z = c(NA,"Zz9"), C = c(NA, "four"))

但有趣的是，我使用的是fuzzyjoin包：

join <- regex_left_join(df3,df4,by= c("A" = "Z"), ignore_case = TRUE)

ZZ9和Zz9匹配得很好，但我不知道为什么XX28801会匹配X2880。唯一的相似之处是XX28801中的X2880。

我也不想在连接之前大写/小写这些值，因为我希望列A和列Z保留它们的原始值。谢谢。

Answer 1

正则表达式在正则表达式上加入join，这在右手表内的文本中搜索左手表中的文本。因此，当在"XX28801“中找到"X2880”时，这被认为是匹配的。

为了更好地理解正则表达式，您可能会发现使用grepl(pattern, text)探索一些比较很有用，如果在文本中找到模式，它将返回true/false：

> grepl('X2880', 'XX28801', ignore.case = TRUE)
[1] TRUE

似乎您只想在整个文本字符串与整个文本字符串匹配时才进行匹配，而不是大写/小写。为此，我建议您创建要联接的临时列：

df3_w_lower = df3 %>%
  mutate(A_for_join = tolower(A))
df4_w_lower = df4 %>%
  mutate(Z_for_join = tolower(Z))

join = left_join(df3_w_lower, df4_w_lower, by = c("A_for_join" = "Z_for_join")) %>%
  select(-A_for_join, - Z_for_join)

通过使用临时列进行联接，您可以保留原始列中的大小写。