在R中基于字符串匹配关联Dataframe的方法求助

需要将两个业务大表做左关联，关联规则是df_1里的关键词小字符串，是否出现在df_2的大字符串字段中。之前用tidyr::crossing先做全量交叉再过滤的方法，会生成超大中间表，性能极差，现在想用dplyr 1.1版本的join_by结合str_detect来实现高效关联。

示例数据 #

df_1 <- data.frame(index = 1:5,
                   keyword = c("john", "ella", "mil", "nin", "billi"))

df_2 <- data.frame(index_2 = 1001:1008,
                   name = c("John Coltrane", "Ella Fitzgerald", "Miles Davis", "Billie Holliday", 
                            "Nina Simone", "Bob Smith", "John Brown", "Tony Montana"))

# 预期输出结果
df_results_i_want <- data.frame(index = c(1, 1:5),
                                keyword = c("john", "john", "ella", "mil", "nin", "billi"),
                                index_2 = c(1001, 1007, 1002, 1003, 1005, 1004),
                                name    = c("John Coltrane", "John Brown", "Ella Fitzgerald", 
                                            "Miles Davis", "Nina Simone", "Billie Holliday"))

高效实现代码 #

library(tidyverse)

df_results <- df_1 |>
  left_join(df_2, 
            join_by(str_detect(name, fixed(keyword, ignore_case = TRUE))))

说明 #

• dplyr 1.1.0及以后版本，支持在join_by()中直接使用逻辑表达式作为关联条件，无需生成全量笛卡尔积
• 这里用fixed(keyword, ignore_case = TRUE)是为了做大小写不敏感的精确子串匹配，既避免正则表达式特殊字符的干扰，匹配效率也更高
• 这种方式会在关联过程中直接过滤匹配项，不会产生超大中间表，相比crossing+过滤的方案，内存占用和运行速度都有质的提升

内容的提问来源于stack exchange，提问作者Alan