如何筛选R语言DataFrame中两列共同词数≥2的行？

实现代码（tidyverse 版本，易读性高） #

首先加载依赖包、导入示例数据：

library(dplyr)
library(purrr)
library(stringr)

# 原始数据
df <- data.frame(name1 = c("Carlos Lopez Rey", "Monica Naranjo Garcia", "Antonio Perez Reverte", "Alejandro Martinez Amor", "Iñigo Muruzabal"), 
                 name2 = c("Lopez, Carlos", "Monica de Naranjo", "Garcia, Antonio", "Alejandro Martinez de Amor", "Muruzabal, Javier"))

定义逐行计算共同单词数的函数，再筛选符合条件的行：

# 计算两个字符串的共同单词数量
count_common <- function(x, y) {
  # 先去掉文本中的逗号，避免标点影响单词匹配，再按空格拆分单词
  words_x <- str_split(str_remove_all(x, ","), "\\s+")[[1]]
  words_y <- str_split(str_remove_all(y, ","), "\\s+")[[1]]
  # 返回交集单词的数量
  length(intersect(words_x, words_y))
}

# 筛选共同单词数≥2的行
result <- df %>%
  filter(map2_int(name1, name2, count_common) >= 2)

实现代码（基础R版本，无需额外依赖） #

# 原始数据
df <- data.frame(name1 = c("Carlos Lopez Rey", "Monica Naranjo Garcia", "Antonio Perez Reverte", "Alejandro Martinez Amor", "Iñigo Muruzabal"), 
                 name2 = c("Lopez, Carlos", "Monica de Naranjo", "Garcia, Antonio", "Alejandro Martinez de Amor", "Muruzabal, Javier"))

# 逐行计算共同单词数
common_num <- mapply(function(a, b) {
  words_a <- strsplit(gsub(",", "", a), "\\s+")[[1]]
  words_b <- strsplit(gsub(",", "", b), "\\s+")[[1]]
  length(intersect(words_a, words_b))
}, df$name1, df$name2)

# 筛选结果
result <- df[common_num >= 2, ]

输出结果 #

运行上述代码后得到的result和预期完全一致：

逻辑说明 #

1. 首先清洗两列的文本，移除逗号避免标点导致单词匹配失败，如果需要大小写不敏感的匹配，可以在拆分前加一步转小写的操作统一字符格式
2. 将清洗后的文本按空格拆分为独立单词列表
3. 统计两个单词列表的交集元素数量，保留数量≥2的行即可

内容的提问来源于stack exchange，提问作者Alex