使用data.table在R中实现多模式与多字符串匹配的问题

问题场景 #

有两个data.table对象dat1和dat2，需要用正则表达式\b[pattern]\b（单词边界匹配），将dat1中的每个pattern分别在dat2的description和memo列中匹配，把对应的id2值拼接后存入dat1，期望输出格式如下：

id1        pattern description_match memo_match
1:   1          apple         1174,1231       <NA>
2:   1      applejack              <NA>       <NA>
3:   2 bananas, sweet              <NA>       1174

尝试的代码如下，运行报错提示grepl只能使用第一个pattern：

dat1[, description_match := dat2[grepl(paste0("\b", dat1$pattern, "\b"), dat2$description), .(id2 = paste(id2, collapse = ","))]]
dat1[, memo_match := dat2[grepl(paste0("\b", dat1$pattern, "\b"), dat2$memo), .(id2 = paste(id2, collapse = ","))]]

错误原因 #

1. 向量不匹配：grepl的pattern参数若传入长度大于1的向量，只会用第一个元素匹配所有dat2行，无法实现dat1每行pattern对应匹配dat2的逻辑。
2. 转义字符错误：R字符串中的\b需要双重转义为\\b，否则会被解析为退格符，而非正则表达式的单词边界。

解决方法 #

利用data.table的分组逐行处理特性，实现每个pattern的独立匹配：

方法1：data.table分组处理（推荐） #

# 处理description列
dat1[, description_match := {
  pat <- paste0("\\b", pattern, "\\b")
  matched_ids <- dat2[grepl(pat, description), paste(id2, collapse = ",")]
  if (length(matched_ids) == 0) NA_character_ else matched_ids
}, by = .(id1, pattern)]

# 处理memo列
dat1[, memo_match := {
  pat <- paste0("\\b", pattern, "\\b")
  matched_ids <- dat2[grepl(pat, memo), paste(id2, collapse = ",")]
  if (length(matched_ids) == 0) NA_character_ else matched_ids
}, by = .(id1, pattern)]

方法2：sapply逐行遍历 #

dat1$description_match <- sapply(dat1$pattern, function(p) {
  pat <- paste0("\\b", p, "\\b")
  ids <- dat2[grepl(pat, description), id2]
  if (length(ids) == 0) NA else paste(ids, collapse = ",")
})

dat1$memo_match <- sapply(dat1$pattern, function(p) {
  pat <- paste0("\\b", p, "\\b")
  ids <- dat2[grepl(pat, memo), id2]
  if (length(ids) == 0) NA else paste(ids, collapse = ",")
})

关键说明 #

• 正则转义：必须用\\b表示正则中的单词边界，R字符串单个\会被当作转义符，因此需要双重转义。
• 逐行匹配：通过by = .(id1, pattern)让data.table对dat1每一行单独执行匹配逻辑，确保每个pattern都被正确使用。
• 空匹配处理：无匹配结果时手动返回NA，保证输出格式符合预期。

内容的提问来源于stack exchange，提问作者Adrian