基于字符串及子串相似性合并R语言DataFrame：匹配关键词关联ID

需求明确：现有两个DataFrame，search存的是格式不规范的地址语句（A列），find存的是带对应ID的城市关键词（Buzzword列）。需要在search的A列中匹配find里的关键词（支持子串匹配），把匹配到的关键词和ID关联到结果里，未匹配的标记NA。

先说明：你给的示例results里有几处错误，比如第三行的Buzzword应该是"text3"而非"toxt2"，ID应为3；第四行"toxt2"不在关键词列表里，所以Buzzword和ID都得是NA；第五行无匹配项也应该保留并标记NA。

下面是两种实用的实现方法：

方法一：基础R + stringr包（适合小数据集） #

先清理search里的多余空格，再逐个匹配关键词并关联ID：

library(stringr)

# 清理A列的多余空格（多个空格合并为一个，首尾空格去掉）
search$A <- str_squish(search$A)

# 从A列中提取匹配的Buzzword
search$Buzzword <- str_extract(search$A, paste(find$Buzzword, collapse = "|"))

# 根据匹配到的Buzzword关联对应的ID
search$ID <- find$ID[match(search$Buzzword, find$Buzzword)]

# 查看最终结果
print(search)

运行后会得到正确的匹配结果，未匹配的行Buzzword和ID显示NA。

方法二：用fuzzyjoin包实现正则左连接（适合大数据集） #

如果数据集较大，用fuzzyjoin的正则匹配连接会更高效简洁：

library(fuzzyjoin)
library(stringr)

# 先清理空格
search$A <- str_squish(search$A)

# 执行正则左连接，规则是A列包含Buzzword
results <- regex_left_join(search, find, by = c("A" = "Buzzword"))

# 查看结果
print(results)

这个方法一步完成匹配和关联，自动保留所有search的行，匹配到的填充对应Buzzword和ID，未匹配的为NA。

正确结果示例 #

最终的results应该是这样的：

#                                 A Buzzword ID
# 1        This is a random example3  example3  1
# 2     This is even more radom test2     test2  2
# 3 Why would text3 this happen text3     text3  3
# 4               how can toxt2 this      <NA> NA
# 5              complete difference      <NA> NA

内容的提问来源于stack exchange，提问作者Sulz