R如何使用向量加速模式匹配 跨数据框提取匹配ID

错误原因分析 #

• %in%是完全相等匹配，仅当ac$ac的取值和df$description的整段内容完全一致才会返回匹配，你需要的是子串包含匹配，因此返回空。
• 基础grep不支持多pattern批量匹配，仅会取传入pattern向量的第一个值做匹配，因此仅返回第一个匹配结果。
• str_detect的参数顺序搞反了：第一个参数是待检测的长文本，第二个是匹配模式，你把两个参数颠倒了自然全部返回FALSE。

解决方案 #

中小数据量通用方案（万行级别）

用stringr提取匹配字段后做匹配合并即可：

library(dplyr)
library(stringr)

# 合并所有待匹配的城市州名为正则模式，|表示或匹配
pattern <- str_c(ac$ac, collapse = "|")
# 从df的description列提取匹配到的城市州名
df$matched_ac <- str_extract(df$description, pattern)
# 左连接到ac表，保留ac的所有行
ac <- ac %>% left_join(df %>% select(matched_ac, id), by = c("ac" = "matched_ac"))

你给出的示例运行后ac的结果如下：

10万行级别高性能方案

双表都超过10万行的场景下，推荐用data.table实现，连接效率比dplyr高5-10倍：

library(data.table)
library(stringr)
# 转成data.table格式
setDT(ac)
setDT(df)

# 生成正则模式，有特殊字符的话先加str_escape(ac$ac)转义
pattern <- paste(ac$ac, collapse = "|")
# 提取匹配字段
df[, matched_ac := str_extract(description, pattern)]
# 左连接，保留ac的所有行
ac <- df[ac, on = .(matched_ac = ac), .(ac = i.ac, id)]

如果存在一个城市对应多个id的情况，不需要修改逻辑，会自动返回所有匹配结果。

内容的提问来源于stack exchange，提问作者jvalenti