如何用R语言从数据框字符串列提取短语并优先保留长匹配项？

核心问题分析 #

你的代码未匹配到"red rose"，是因为正则模式顺序错误——短模式（如"red"、"rose"）先匹配，导致长短语被拆分成短项；同时需要过滤掉被长匹配包含的短项，只保留最长的有效匹配。

解决方案步骤 #

1. 调整正则匹配顺序，优先匹配长短语

正则匹配按顺序执行，需将最长的目标短语放在最前面，确保完整长短语被优先匹配，避免被拆分。

2. 过滤被长匹配包含的短项

提取后，检查是否存在长短语（如"red rose"），若存在则移除对应的短项（如"red"、"rose"）；若不存在则保留所有匹配项。

完整代码实现 #

library(rebus)
library(stringi)

# 构建数据框
df <- data.frame(
  string = c(
    "A rose is a woody perennial flower of the genus Rosa",
    "A rose is a flower and a red rose is a symbol of love"
  )
)

# 按短语长度从长到短排序，优先匹配长短语
patterns <- c("red rose", "flower", "rose", "red")
rx <- do.call(or, as.list(patterns))

# 提取并过滤匹配项
extracts <- sapply(df$string, function(x) {
  # 提取所有匹配项
  matches <- stri_extract_all_regex(x, rx, simplify = FALSE)[[1]]
  
  # 过滤逻辑：如果存在"red rose"，移除"red"和"rose"
  if ("red rose" %in% matches) {
    matches <- matches[!(matches %in% c("red", "rose"))]
  }
  
  matches
})

# 查看结果
extracts

运行结果 #

执行后得到的结果完全符合你的期望：

$`A rose is a woody perennial flower of the genus Rosa`
[1] "rose"   "flower"

$`A rose is a flower and a red rose is a symbol of love`
[1] "flower"    "red rose"

（若需要调整结果顺序为短语在原字符串中的出现顺序，可结合stri_locate_all_regex获取位置后重新排序）

通用化扩展方案（适用于多组包含关系短语） #

如果需要处理更多有包含关系的短语，可使用通用过滤函数自动保留最长的非包含匹配项：

filter_long_matches <- function(matches) {
  if (length(matches) <= 1) return(matches)
  
  # 按字符串长度降序排序
  sorted_matches <- matches[order(nchar(matches), decreasing = TRUE)]
  keep <- c()
  
  for (match in sorted_matches) {
    # 检查当前短语是否被已保留的短语包含
    is_contained <- any(sapply(keep, function(k) grepl(match, k, fixed = TRUE)))
    if (!is_contained) {
      keep <- c(keep, match)
    }
  }
  
  # 按原匹配顺序返回结果
  matches[matches %in% keep]
}

# 使用通用函数处理
extracts <- sapply(df$string, function(x) {
  matches <- stri_extract_all_regex(x, rx, simplify = FALSE)[[1]]
  filter_long_matches(matches)
})

内容的提问来源于stack exchange，提问作者ayeh