R语言基于另一列字符串存在性筛选数据框行的问题咨询

根因说明 #

• 第一种fuzzyjoin方案失败原因：str_detect默认按正则规则匹配，若colB中包含(、)、.、+等正则特殊字符，会被识别为正则运算符而非普通字符，导致匹配错误。
• 第二种逐行匹配方案失败原因：将colB的空格替换为|相当于把colB拆分为多个关键词进行或匹配，和完整colB字符串作为子串匹配的需求不符，因此匹配结果不符合预期。

解决方案 #

场景1：已有合并后的数据框df，需逐行生成flag #

使用stringr::str_detect搭配fixed()参数，自动将匹配内容识别为普通字符串，忽略正则特殊字符，逐行判断colB是否为colA的子串：

library(dplyr)
library(stringr)

df <- df %>%
  # 如需忽略大小写匹配，可改为 fixed(colB, ignore_case = TRUE)
  mutate(flag = ifelse(str_detect(colA, fixed(colB)), "Yes", "No"))

该方案和给出的示例数据匹配逻辑完全一致，可直接输出符合要求的flag列。

场景2：两个独立数据框df1、df2的模糊关联匹配 #

保留fuzzyjoin框架，在匹配函数中增加fixed()处理特殊字符即可：

library(fuzzyjoin)
library(stringr)

# 匹配规则：df2的colB值是df1的colA值的子串，内连接仅保留匹配成功的行
df_result <- df1 %>%
  fuzzy_inner_join(df2,
                   by = c("colA" = "colB"),
                   match_fun = function(x,y) str_detect(x, fixed(y)))

如需保留df1的全部行，仅将匹配成功的行关联df2的信息，可将fuzzy_inner_join替换为fuzzy_left_join。

内容的提问来源于stack exchange，提问作者marine8115