如何在R语言中用%in%比较数据框内的两个向量？

数据集 #

首先定义数据集：

T1 <- data.frame( "Col1" = c("a", "b", "aa", "d"), "Col2" = c("a,b,c", "aa,c,d", "c,d,e", "d,f,g") )

对应的表格：

筛选Col1的正确方法 #

使用dplyr筛选Col1中属于c("a", "e", "g")的行，代码和结果均正确：

library(dplyr)
T1 %>%  filter(Col1 %in% c("a", "e", "g"))

返回结果：

Col1   Col2
1    a a,b,c

处理Col2时的错误尝试 #

尝试将Col2的每行字符串拆分为字符向量后与目标向量匹配，但直接使用unlist(strsplit(...))会报错：

# 单独拆分一行的结果符合预期
unlist(strsplit(T1$Col2[1],","))

输出：

[1] "a" "b" "c"

执行筛选代码时出现错误：

T1 %>%  filter(unlist(strsplit(Col2,",")) %in% c("a", "e", "g"))

错误信息：

Error in `filter()`:
! Problem while computing `..1 = unlist(strsplit(Col2, ",")) %in% c("a", "e", "g")`.
✖ Input `..1` must be of size 4 or 1, not size 12.
Run `rlang::last_error()` to see where the error occurred.

grep方法的局限性 #

用grep尝试匹配时，会错误匹配包含目标元素的子串（比如aa中的a）：

T1[grep(c("a|e|g"), T1$Col2),]

返回错误结果（误包含第2、3行）：

Col1   Col2
1    a a,b,c
2    b aa,c,d
3   aa c,d,e
4    d d,f,g

虽然可以用边界匹配修正：

T1[grep(c("\\<a\\>"), T1$Col2),]

但这种正则方式容易出错，更倾向于用向量与向量直接对比的方式实现准确筛选。

正确的dplyr解决方案 #

方法1：rowwise() + any() #

对每行单独处理，检查拆分后的向量是否包含目标元素中的任意一个：

T1 %>%
  rowwise() %>%
  filter(any(strsplit(Col2, ",")[[1]] %in% c("a", "e", "g"))) %>%
  ungroup()

返回正确结果：

# A tibble: 3 × 2
  Col1  Col2  
  <chr> <chr> 
1 a     a,b,c 
2 aa    c,d,e 
3 d     d,f,g 

方法2：purrr::map_lgl() #

结合purrr包的映射函数，生成每行的逻辑判断向量：

library(purrr)

T1 %>%
  filter(map_lgl(strsplit(Col2, ","), ~ any(.x %in% c("a", "e", "g"))))

可得到相同的正确结果。

方法3：拆分后去重筛选（tidyr） #

用tidyr的separate_rows()将Col2拆分为多行，筛选后再去重：

library(tidyr)

T1 %>%
  separate_rows(Col2, sep = ",") %>%
  filter(Col2 %in% c("a", "e", "g")) %>%
  distinct(Col1, .keep_all = TRUE)

结果一致：

Col1 Col2
1    a    a
2   aa    e
3    d    g

内容的提问来源于stack exchange，提问作者Laura MS