从r中的df (大小29175)中删除/替换/gsub df (大小6001)中的所有字匹配列表，不同大小的数据帧

Question

我一直在尝试删除dfmedia (大小29175)中与dfvocab (大小6001)中包含的任何单词相匹配的任何单词。

dfmedia: each row is a sentence of words in chinese. 
我喜歡吃蘋果; 我愛吃饅頭; 我不喜歡菠菜; 我最討厭蘋果！；我很愛菠菜啊；哪個中國人敢不喜歡饅頭？；哎呀饅頭蘋果菠菜都是食物管人家喜歡否？

dfvocab: 蘋果，饅頭，菠菜

desired result: 我喜歡吃; 我愛吃; 我不喜歡; 我最討厭！；我很愛啊；哪個中國人敢不喜歡？；哎呀都是食物管人家喜歡否？

我不认为中文和英文的结果会有什么不同，因为这是一个简单的匹配和删除/替换，但我在这里包括中文以防万一，因为我的og数据是中文的。

我尝试过gsub()、mapply()，并使用stringr将dfmedia和dfvocab绑定到一个dataframe/removing中。然而，由于dfvocab和dfmedia的大小不同，我不确定如何使用在线建议的方法来处理这个问题。

任何帮助都将不胜感激！

Answer 1

使用gsub非常简单。只需将所有单词与正则表达式或操作符paste0在一起，并替换为""

> gsub(paste0(dfvocab, collapse="|"), "",  dfmedia)
[1] "我喜歡吃"                 " 我愛吃"                  " 我不喜歡"                " 我最討厭！"              "我很愛啊"                 "哪個中國人敢不喜歡？"    
[7] "哎呀都是食物管人家喜歡否"

(我不会说中文，也不会读中文。)我想，这么大的一个单词集要被删除，你可能需要把6000个单词分成块，我怀疑这会很慢。您可能希望查看tm包，因为文本挖掘可能是一项需要优化此类操作的任务。

下面是一种构建可重现示例的方法：

> dfmedia <- scan(text="我喜歡吃蘋果; 我愛吃饅頭; 我不喜歡菠菜; 我最討厭蘋果！;我很愛菠菜啊;哪個中國人敢不喜歡饅頭？;哎呀饅頭蘋果菠菜都是食物管人家喜歡否", what="", sep=";")
Read 7 items
> 
> dfvocab <- scan(text="蘋果,饅頭,菠菜", what="", sep=",")
Read 3 items