R语言中基于字符串部分匹配的内连接结果为空问题排查

数据框列信息 #

colnames(uci_ce_inv): [1] "Ndg" "CTP" "CNT_ID" "NOMINAL_EUR" "FXD_CCYPAIR" "ISIN" "SICOVAM" "TRN_ID" "SOURCE" "INCLUDED" [11] "EXCLUDED"
colnames(assess_data): [1] "GROUP_SOURCE" "GROUP" "MD_ISS_NAME" "MD_ISS_RATING" "MD_GROUP" "MD_SECTOR" "MD_CCY" "MD_COUNTRY" [9] "MD_REGION" "MD_SEC_TYPE"

需求与预处理 #

需要基于uci_ce_inv$TRN_ID与assess_data$GROUP的字符串部分匹配执行内连接，已将对应列转为字符型：

uci_ce_inv$TRN_ID <- as.character(uci_ce_inv$TRN_ID)
assess_data$GROUP <- as.character(assess_data$GROUP)

示例数据：

• uci_ce_inv$TRN_ID = "123456789"
• assess_data$GROUP = "ewitwr/kdk/123456789/gfhdhfd"

预期结果：匹配行的assess_data所有列添加到对应uci_ce_inv行中，但尝试以下四种方法后生成的数据框始终为空。

尝试的方法及问题分析 #

方法1：fuzzy_inner_join + stri_detect_fixed #

uci_ce_inv <- uci_ce_inv %>% fuzzy_inner_join(assess_data, by = c("TRN_ID"="GROUP"), match_fun=stri_detect_fixed)

问题：stri_detect_fixed的参数顺序错误。该函数默认逻辑是stri_detect_fixed(字符串, 匹配模式)，当前代码把TRN_ID当作字符串、GROUP当作匹配模式，和实际需求（检查GROUP中是否包含TRN_ID）完全相反。

方法2：fuzzy_inner_join + str_detect #

uci_ce_inv <- uci_ce_inv %>% fuzzy_inner_join(assess_data, by = c("TRN_ID"="GROUP"), match_fun=str_detect)

问题：与方法1一致，str_detect的参数顺序是str_detect(字符串, 匹配模式)，当前代码的匹配方向搞反了，无法检测到GROUP包含TRN_ID的情况。

方法3：regex_inner_join #

uci_ce_inv <- uci_ce_inv %>% regex_inner_join(assess_data, by = c("TRN_ID"="GROUP"))

问题：regex_inner_join默认用by左侧列作为正则表达式匹配右侧列，当前逻辑是用TRN_ID去匹配GROUP的完整内容，而非检测GROUP中是否包含TRN_ID，不符合需求。

方法4：自定义partial_join函数 #

partial_join <- function(x, y, by_x, pattern_y) {
  idx_x <- sapply(y[[pattern_y]], grep, x[[by_x]])
  idx_y <- sapply(seq_along(idx_x), function(i) rep(i, length(idx_x[[i]])))

  df <- dplyr::bind_cols(x[unlist(idx_x), , drop = F],
                     y[unlist(idx_y), , drop = F])
  return(df)
}
a <- partial_join(uci_ce_inv,assess_data, by_x="TRN_ID",pattern_y="GROUP") 

问题：grep的参数顺序错误，该函数逻辑是grep(匹配模式, 目标字符串)，当前代码把GROUP当作匹配模式、TRN_ID当作目标字符串，完全颠倒了需求中的匹配方向，导致找不到匹配项。

正确解决办法 #

修正方法1/2：调整匹配函数参数顺序 #

用匿名函数调换参数，确保检测GROUP中是否包含TRN_ID：

# 基于str_detect的正确写法
uci_ce_inv <- uci_ce_inv %>% 
  fuzzy_inner_join(assess_data, 
                   by = c("TRN_ID" = "GROUP"), 
                   match_fun = function(x, y) str_detect(y, x))

修正方法3：调整正则匹配逻辑 #

指定匹配方向为GROUP包含TRN_ID：

uci_ce_inv <- uci_ce_inv %>% 
  regex_inner_join(assess_data, 
                   by = c("GROUP" = "TRN_ID"),
                   match_fun = function(x, y) str_detect(x, y))

修正方法4：自定义函数调整grep参数顺序 #

partial_join <- function(x, y, by_x, pattern_y) {
  # 用TRN_ID作为匹配模式，匹配GROUP中的内容
  idx_y <- sapply(x[[by_x]], grep, y[[pattern_y]])
  idx_x <- sapply(seq_along(idx_y), function(i) rep(i, length(idx_y[[i]])))
  
  df <- dplyr::bind_cols(x[unlist(idx_x), , drop = F],
                         y[unlist(idx_y), , drop = F])
  return(df)
}
a <- partial_join(uci_ce_inv, assess_data, by_x="TRN_ID", pattern_y="GROUP")

内容的提问来源于stack exchange，提问作者daftpunk81