如何匹配两个DataFrame字符串并输出同义词典的行名？

问题说明 #

现有两个DataFrame：

• thesaurus：每行对应一组同义词，行名为唯一编号
• PKV_clean：存储待匹配的记录文本

核心需求：当PKV_clean的记录中出现thesaurus任意一行的同义词时，输出该行的行名（示例匹配结果为0070、0110）。此前尝试grep匹配行名失败，手动构建0/1矩阵在数据量较大时操作繁琐，需高效解决方案。

基于R语言的高效实现方案 #

1. 预处理同义词组，生成匹配模式 #

将thesaurus每行的同义词整合成正则匹配模式，并关联对应的行名：

library(dplyr)
library(stringr)

# 将行名转为列，每行同义词合并为|分隔的正则模式
syn_patterns <- thesaurus %>%
  rownames_to_column("syn_id") %>%
  rowwise() %>%
  # 若同义词含正则特殊字符，需添加str_escape转义
  mutate(pattern = str_c(str_escape(c_across(-syn_id)), collapse = "|")) %>%
  ungroup() %>%
  select(syn_id, pattern)

2. 批量匹配记录文本 #

定义匹配函数，对PKV_clean的每条记录文本，批量匹配所有同义词模式并提取对应行名：

# 传入单条文本，返回匹配到的同义词组编号
match_syn_ids <- function(text) {
  match_flag <- str_detect(text, syn_patterns$pattern)
  syn_patterns$syn_id[match_flag]
}

# 对PKV_clean的文本列应用函数，得到每条记录的匹配结果
PKV_clean$matched_syn_ids <- lapply(PKV_clean$你的文本列名, match_syn_ids)

3. 整理匹配结果（可选） #

若需将匹配结果展开为每行对应一个匹配项，可使用unnest：

library(tidyr)

PKV_matched_result <- PKV_clean %>%
  unnest(matched_syn_ids, keep_empty = TRUE)

注意事项 #

• 若同义词中包含.、*这类正则特殊字符，必须用str_escape转义，否则会导致匹配错误
• 该方案通过正则批量匹配替代手动矩阵构建，在数据量大时能显著提升效率

内容的提问来源于stack exchange，提问作者KC-Migo