R语言如何实现变量间部分匹配并筛选不匹配记录？

我需要验证数据集中每条记录的url是否对应正确的platform（通过在url中搜索平台名称的方式，已知无法100%准确），核心需求是逐行将platform的对应值与url进行部分匹配，并一步筛选出所有不匹配的记录。

示例数据集 #

首先构造对应长度的完整示例数据集（包含一条故意设置的不匹配记录用于测试）：

dataset <- data.frame(
  platform = c("Facebook", "Facebook", "Twitter", "Instagram", "Instagram", "Instagram"),
  url = c(
    "https://www.facebook.com/AnimalPlanet/photos/a.63789578374/10159416079873375/",
    "https://www.facebook.com/AnimalPlanet/photos/a.63789578374/10159416141828375/",
    "https://twitter.com/ScienceChannel/status/1564694529168531457?cxt=HHwWgoCzkcvY9LYrAAAA",
    "https://www.instagram.com/p/ChnouaXrSDE/", 
    "https://www.instagram.com/p/Che3LVcvkpr/", 
    "https://www.twitter.com/p/ChLBudQlN3D/"  # 该记录platform为Instagram，url是Twitter链接，属于不匹配
  )
)

问题分析 #

你之前尝试的grepl(dataset$platform_r, dataset$url)无法实现逐行匹配，因为grepl默认会把第一个参数的所有模式批量应用到第二个参数的每个元素上，而非按行一一对应。

简洁解决方案 #

以下两种方法均可实现逐行匹配并一步筛选不匹配记录：

方法1：dplyr + stringr（推荐，可读性高） #

library(dplyr)
library(stringr)

# 标准化平台名称+逐行匹配+筛选不匹配记录
mismatched_records <- dataset %>%
  mutate(
    # 统一平台名称格式：去空格、转小写
    platform_clean = tolower(str_replace_all(platform, " ", "")),
    # 逐行检查url（转小写后）是否包含对应平台名称
    is_match = str_detect(tolower(url), platform_clean)
  ) %>%
  # 筛选出不匹配的记录
  filter(!is_match)

print(mismatched_records)

方法2：Base R实现（无需额外包） #

# 标准化平台名称
dataset$platform_clean <- tolower(gsub(" ", "", dataset$platform))

# 用mapply实现逐行调用grepl匹配
dataset$is_match <- mapply(
  grepl,
  pattern = dataset$platform_clean,
  x = tolower(dataset$url)
)

# 筛选不匹配记录
mismatched_records <- dataset[!dataset$is_match, ]

print(mismatched_records)

代码说明 #

• platform_clean：统一平台名称格式，避免大小写、空格导致的匹配误差；
• str_detect/mapply(grepl)：实现逐行对应匹配，确保每条记录的platform只和自身的url做检查；
• 最终通过一次筛选即可得到所有不匹配的记录，无需为每个平台单独编写逻辑。

内容的提问来源于stack exchange，提问作者RMRH