R语言使用like运算符实现多匹配项数据框合并与扫描

现有数据结构 #

待处理的两个数据框代码如下：

df1 <- data.frame (Year  = c(1991, 1992, 1993, 1994, 1995, 1996, 1997),
                   Winner = c("APPLE ", "apple inc.", "APPLE INC.; IBM CO.", "SONATA", 
                              "FAMILY BROS", "family, apple, ibm","family co.")
)

df2 <- data.frame (Firm = c("APPLE ", "IBM", "Sonata Inc.","Family Bros. Co."))

目标是生成新数据框，匹配每家公司对应的所有获奖年份，支持单一年份对应多个获奖主体的场景，目标输出格式参考示例：

可直接复用的实现方法 #

核心逻辑是先做字符串标准化清洗，再做大小写不敏感的模糊匹配，不需要提前拆分多主体的获奖字段，两种常用实现路径如下：

方法1：tidyverse方案（代码易读，适合日常分析） #

依赖dplyr和stringr包，步骤清晰易调整：

library(tidyverse)

# 预处理公司名称：去首尾空格、统一转小写、移除通用后缀避免匹配偏差
df2_clean <- df2 %>%
  mutate(
    firm_trim = str_trim(Firm),
    firm_low = str_to_lower(firm_trim),
    firm_core = str_remove_all(firm_low, "\\s*(inc\\.?|co\\.?|bros\\.?)\\s*$")
  )

# 逐公司匹配获奖年份
df3 <- df2_clean %>%
  mutate(
    match_year = map(firm_core, ~{
      df1 %>%
        filter(str_detect(str_to_lower(Winner), fixed(.x))) %>%
        pull(Year)
    })
  ) %>%
  unnest(match_year) %>%
  select(Firm, Year = match_year)

运行后可以直接得到长表格式的结果，1993年Apple+IBM同时获奖、1996年family+apple+ibm同时获奖的场景都会被正确识别，不会遗漏多主体的匹配记录。如果需要把同一家公司的所有年份合并到同一单元格，只需要把最后一步的unnest替换为mutate(match_year = map_chr(match_year, ~paste(.x, collapse = "、")))即可。

方法2：data.table方案（性能优异，适合大数据量场景） #

如果数据量在十万级以上，用data.table的模糊连接效率比tidyverse高5~10倍：

library(data.table)
setDT(df1)
setDT(df2)

# 统一做字符串清洗
df2[, firm_core := tolower(gsub("\\s*(inc\\.?|co\\.?|bros\\.?)\\s*$", "", trimws(Firm)))]
df1[, winner_low := tolower(Winner)]

# 模糊连接匹配
df3 <- df1[, .(Year, winner_low)][
  df2[, .(Firm, firm_core)],
  on = .(winner_low = firm_core),
  allow.cartesian = T,
  j = .(Firm, Year),
  # 自定义匹配规则：获奖字段包含公司核心关键词即判定命中
  on = .(grepl(firm_core, winner_low, fixed = T))
][!is.na(Firm)]

匹配优化提示 #

• 清洗字符串时除了统一大小写、去空格、删通用后缀，还可以根据实际数据补充替换规则，比如把"int'l"替换为"international"这类缩写，进一步提升匹配准确率
• 如果存在同名不同主体的情况，可以额外给公司加所属行业、国家等辅助字段做二次校验，避免错配

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