在R中基于向量匹配筛选文本：提取B中未出现于A的元素

原始数据 #

A <- data.frame(c("Absolute Value", "absolute deviation", "acceptance line ; acceptance boundary", "age-adjusted rate", "variance", "modified mean ; modified arithmetic mean ; trimmed mean "))
B <- data.frame(c("descriptive", "Acceptance Boundary", "deviation", "modified arithmetic mean", "mutability ; variability"))

需求说明 #

生成数据框C，包含B中未出现在A中的术语，需满足：

• 忽略大小写差异（如Acceptance Boundary与acceptance boundary视为同一术语）
• 识别分号分隔的多术语（如A中的acceptance line ; acceptance boundary包含acceptance boundary术语）

预期结果：

C <- data.frame(c("descriptive", "deviation", "mutability ; variability")) 

解决方案代码 #

# 安装并加载stringr包（首次使用需执行安装命令）
# install.packages("stringr")
library(stringr)

# 提取A中所有独立术语（统一小写、去除前后空格）
A_terms <- str_split(A[, 1], ";") %>%
  unlist() %>%
  str_trim() %>%
  tolower()

# 筛选B中完全未出现在A里的条目
C <- B[sapply(B[, 1], function(x) {
  # 标准化处理当前B条目内的术语
  b_split <- str_split(x, ";") %>% unlist() %>% str_trim() %>% tolower()
  # 检查该条目下所有术语是否都不在A的术语集合中
  all(!b_split %in% A_terms)
}), , drop = FALSE]

# 输出结果
print(C)

代码解释 #

1. 处理A数据：拆分所有分号分隔的内容，去除术语前后空格并统一转为小写，得到A包含的所有独立术语集合。
2. 筛选B数据：遍历B的每个条目，对条目内的术语做同样的标准化处理，检查该条目下所有术语是否都未出现在A的集合中，符合条件的条目保留到C。
3. 最终输出的C即为符合需求的结果。

内容的提问来源于stack exchange，提问作者nickolakis