针对你处理百万级句子数据集的需求，完全可以用一次正则匹配搞定所有模式，不用多次调用grep。这里给你几个简洁且高效的方法：

核心思路：合并正则模式 #

把你需要匹配的前缀用正则的|（或）运算符合并成一个表达式，这样一次扫描就能检查所有模式，比多次调用函数高效得多，尤其适合大数据集。

1. 基础R的grepl方法 #

grepl返回逻辑向量，非常适合直接用来过滤数据框行：

# 定义要匹配的前缀列表
target_prefixes <- c("immigr", "migra", "asyl", "refug")

# 合并成正则表达式：添加单词边界+前缀+任意单词字符（避免部分匹配）
combined_regex <- paste0("\\b(", paste(target_prefixes, collapse = "|"), ")\\w*")

# 过滤数据集（ignore.case忽略大小写，可选）
filtered_df <- df[grepl(combined_regex, df$text, ignore.case = TRUE), ]

• \\b：单词边界，确保匹配的是完整的单词前缀（比如不会把"immigr"误匹配到"preimmigrant"里的片段）
• \\w*：匹配任意数量的字母/数字/下划线，覆盖前缀后面的所有变体（比如immigrant、immigration、migrate等）
• ignore.case = TRUE：可选，如果你需要匹配大小写不同的变体（比如Immigrant、MIGRATION）

2. stringr包的更直观写法 #

如果你习惯tidyverse风格，stringr::str_detect语法更清晰，性能也不差：

library(stringr)

# 同样用合并后的正则，用regex()函数支持忽略大小写
filtered_df <- df[str_detect(df$text, regex(combined_regex, ignore_case = TRUE)), ]

3. 百万级数据的性能优化 #

如果你的数据集真的是数百万行，用data.table会比普通数据框快很多：

library(data.table)
library(stringr)

# 转换为data.table
setDT(df)

# 过滤
filtered_df <- df[str_detect(text, regex(combined_regex, ignore_case = TRUE))]

小提示 #

• 如果不需要严格的单词边界（比如想匹配包含这些字符串的任意位置），可以去掉\\b，直接用paste(target_prefixes, collapse = "|")作为模式
• 如果你想提取匹配到的具体内容，可以用regmatches或stringr::str_extract_all

内容的提问来源于stack exchange，提问作者Quantizer