如何基于关键词列表灵活过滤R数据框variable列并区分相似关键词？

核心思路 #

要同时实现任意位置匹配关键词和区分相似关键词（如N与NTD），关键在于利用正则表达式的优先级和边界匹配规则：

1. 将长关键词放在匹配规则的前面，避免短关键词误匹配长关键词的子串
2. 使用单词边界确保匹配完整的目标关键词，而非部分字符

代码实现 #

首先加载所需包，定义目标关键词（注意按长度从长到短排序），再构建正则模式进行过滤：

library(dplyr)
library(stringr)

# 定义目标关键词：长关键词优先（如NTD放在N前面）
target_terms <- c("Spike", "WTS1", "NTD", "N")

# 构建正则模式：用单词边界\b确保匹配完整关键词，|表示逻辑或
match_pattern <- paste0("\\b(", paste(target_terms, collapse = "|"), ")\\b")

# 执行过滤
df.filtered <- df.infected.melted %>%
  filter(str_detect(variable, match_pattern))

代码解释 #

• 关键词排序：正则表达式会按顺序匹配模式，把NTD放在N前面，就能优先识别完整的NTD，不会将其拆分为N和其他字符
• 单词边界\\b：匹配单词字符（字母、数字、下划线）与非单词字符的边界，确保不会误匹配类似Spikey（含Spike子串）或NT（含N子串）的内容
• 灵活匹配：无论关键词在字符串开头、中间还是末尾，只要是独立的完整关键词，都会被匹配到

测试示例 #

用模拟数据验证效果：

# 模拟测试数据
test_data <- tibble(variable = c(
  "Spike", "Spike_protein", "WTS1_sample", 
  "NTD", "N", "NTD_mutant", "protein_N", 
  "N_infected", "NT", "Spikey"
))

# 过滤结果
test_data %>% filter(str_detect(variable, match_pattern))

输出会包含除NT和Spikey之外的所有行，正确区分了N与NTD，同时匹配了不同位置的关键词。

可选调整 #

如果不需要严格的单词边界（比如允许匹配Spikey中的Spike），可以去掉模式中的\\b：

match_pattern <- paste0(paste(target_terms, collapse = "|"))

内容的提问来源于stack exchange，提问作者Someone_1313