在含新闻内容的DataFrame中匹配另一DataFrame的企业名称

首先得把你的企业名称数据框转换成字符向量，因为data.frame没法直接用于文本匹配：

# 提取企业名称为字符向量，同时去除前后空格
comp_vec <- trimws(as.character(comp_names[[1]]))

接下来分两种常用实现方式：

基础R原生方法 #

用grepl结合正则表达式批量匹配，推荐加上单词边界\\b避免部分匹配（比如防止"腾讯"误匹配"腾讯科技"，不需要的话可以去掉）：

# 拼接正则匹配模式：用|分隔所有企业名称，加上单词边界
match_pattern <- paste0("\\b", comp_vec, "\\b", collapse = "|")
# 逐行扫描新闻文本，生成逻辑向量（ignore.case = TRUE 忽略大小写，可选）
match_result <- grepl(match_pattern, news_df$新闻文本列名, ignore.case = TRUE)

stringr包简化实现 #

如果习惯用tidyverse工具链，stringr的str_detect更直观：

library(stringr)
# 拼接匹配模式
match_pattern <- str_c("\\b", comp_vec, "\\b", collapse = "|")
# 生成逻辑向量，支持忽略大小写
match_result <- str_detect(news_df$新闻文本列名, regex(match_pattern, ignore_case = TRUE))

注意事项 #

• 如果企业名称包含正则特殊字符（比如.、*、+），需要先转义：

  # 转义正则元字符
  comp_vec_escaped <- gsub("([.|*+?^${}()\\[\\]\\\\])", "\\\\\\1", comp_vec)
  # 再用转义后的向量拼接模式
  match_pattern <- paste0("\\b", comp_vec_escaped, "\\b", collapse = "|")
  

• 如果不需要严格的单词匹配（比如允许"阿里"匹配"阿里巴巴"），直接去掉模式中的\\b即可。

内容的提问来源于stack exchange，提问作者celic_frm