如何按字符串向量元素的首词筛选Data Frame？

需求 #

需要从数据框中筛选出col_1包含指定向量元素首词的条目，无需精确匹配：

• 若向量元素是单个词（如"Orange"），直接匹配该词
• 若向量元素是多词（如"Lemon ltd"），仅匹配其第一个单词（即"Lemon"）

示例数据 #

# 构建示例数据框
Data <- data.frame(
  col_1 = c("Orange juice", "Orange cake", "Lemon curd", "Lemon pie", "Strawberry", "Lime tree"), 
  col_2 = c("food", "food", "food", "food", "fruit", "tree")
)

# 用于筛选的目标向量（取自另一数据集）
target_vector <- c("Orange", "Lemon ltd", "Grapefruit", "Peach juice") 

解决步骤 #

1. 提取向量元素的首词：使用stringr包的str_extract提取每个向量元素的第一个单词
2. 构建正则匹配模式：将首词用|拼接，实现“匹配任意一个首词”的逻辑
3. 筛选数据框：结合dplyr的filter和str_detect完成筛选

完整代码 #

library(dplyr)
library(stringr)

# 提取目标向量的所有首词
first_words <- str_extract(target_vector, "^\\w+")

# 筛选col_1包含任意首词的条目
filtered_data <- Data %>% 
  filter(str_detect(col_1, paste(first_words, collapse = "|")))

print(filtered_data)

输出结果 #

col_1 col_2
1 Orange juice  food
2  Orange cake  food
3   Lemon curd  food
4    Lemon pie  food

内容的提问来源于stack exchange，提问作者Pigeoncity22