R data.table提取同时包含多个指定子字符串的行的实现方法

正则没有直接的&逻辑运算符来实现「同时包含多个子串」的匹配，你可以用以下几种方式实现需求，均不限制子串的出现顺序：

方法1：使用正向预查正则表达式 #

这是最简洁的单表达式写法，需要开启perl正则支持：

# 第一个示例的筛选写法
df[grepl("(?=.*Gua)(?=.*rd)", df$position, perl = TRUE), ]

其中(?=.*子串)是正向肯定预查语法，代表无论子串在什么位置，都必须存在，多个预查规则并列就代表所有规则都要满足。

方法2：多匹配条件逻辑与组合 #

可读性更高，不需要记忆复杂正则语法，适合子串数量少的场景：

df[grepl("Gua", df$position) & grepl("rd", df$position), ]

如果用data.table自带的%like%运算符，写法更简洁：

df[position %like% "Gua" & position %like% "rd", ]

方法3：批量匹配多子串（适合子串数量多/动态生成的场景） #

如果需要同时匹配的子串数量很多，或者子串是动态生成的，可以用批量判断的方式，不用手动拼接正则或条件：

# 把需要匹配的所有子串存为向量
match_words <- c("Gua", "rd")
# 筛选同时包含所有子串的行
df[rowSums(sapply(match_words, \(x) grepl(x, df$position))) == length(match_words), ]

以上方法对大数据集的处理效率都很高，不会有性能问题。

补充场景：跨表匹配的实现 #

针对你补充的两个表关联筛选的需求，参考写法如下：

# 筛选df1的position2列同时包含Gua和rd，提取df2对应的行
df2[grepl("(?=.*Gua)(?=.*rd)", df1$position2, perl = TRUE), .(player, points)]

# 用%like%的写法
df2[df1$position2 %like% "Gua" & df1$position2 %like% "rd", .(player, points)]

不管子串顺序是Guard还是rdGua，以上所有方法都会正常匹配。

内容的提问来源于stack exchange，提问作者Kipkoech Rotich