如何在R中提取含指定文本的多张表格并合并？

步骤1：加载依赖包 #

先安装并加载常用数据处理工具包，如需去重完整表格还需digest包：

install.packages(c("tidyverse", "digest"))
library(tidyverse)
library(digest)

步骤2：筛选包含指定文本的表格 #

用purrr::keep遍历表格列表，判断每个表格的第一列是否存在my_text中的内容：

# 筛选第一列匹配my_text的表格
filtered_tabs <- keep(tabs, ~ any(.x[[1]] %in% my_text))

其中.x指代列表中的单个表格，.x[[1]]取表格第一列，any(.x[[1]] %in% my_text)用于判断该列是否有元素命中my_text中的值。

步骤3：合并筛选后的表格 #

用dplyr::bind_rows合并所有符合条件的表格，逻辑和Python中的pd.concat一致：

combined_df <- bind_rows(filtered_tabs)

步骤4：去重处理 #

根据需求选择两种去重方式：

• 合并后去重重复行：只需合并后的数据框无重复行，用distinct()：

combined_df <- combined_df %>% distinct()

• 去重完全重复的表格：如果要先过滤列表中内容完全一致的表格，通过哈希值识别唯一表格：

# 给每个表格生成唯一哈希标识
tab_hashes <- map_chr(filtered_tabs, ~ digest(.x))
# 保留列表中唯一的表格
unique_tabs <- filtered_tabs[!duplicated(tab_hashes)]
# 合并唯一表格
combined_unique_df <- bind_rows(unique_tabs)

完整示例运行 #

把所有步骤整合到你的示例数据中：

my_text <- c("cash investments", "debt investments")
tabs <- NULL

tabs[[1]] <- tibble(x = sample(c("investments", "trash")), y = 1)
tabs[[2]] <- tibble(x = sample(c(my_text, "trash")), y = 2)
tabs[[3]] <- tibble(x = sample(c(my_text)), y = 3)

# 筛选+合并+去重行
filtered_tabs <- keep(tabs, ~ any(.x[[1]] %in% my_text))
combined_df <- bind_rows(filtered_tabs) %>% distinct()

print(combined_df)

运行后会自动过滤第1张不匹配的表格，输出第2、3张表格合并后的结果。

内容的提问来源于stack exchange，提问作者Raj