查找两个数据框列之间共享的字符串

Question

我有一个包含两列分隔字符串的数据框：

df <- data.frame('a'=c('a, b, c, d', 'a, c', 'b, d'), 'b'=c('a, d', 'a', 'a, d'))

           a      b
1 a, b, c, d   a, d
2       a, c      a
3       b, d   a, d

我想创建第三列以包含与前两列相交的字符串，例如：

           a      b      c
1 a, b, c, d   a, d   a, d
2       a, c      a      a
3       b, d   a, d      d

我尝试了多种方法，涉及将字符串转换为列表并返回，但我似乎无法正确处理。

使用 dplyr 我首先尝试使用：

df <- df %>%
    mutate(c=paste(c(intersect(unlist(strsplit(a, split=", ")), unlist(strsplit(b, split=", "))))))

导致错误：

Error in eval(substitute(expr), envir, enclos) : wrong result size (2), expected 3 or 1

除了不 return 需要的字符串外，这似乎也 return 每行的相同大小的结果（通过将上面的 mutate 函数从 paste 到 length 下面）：

df %>%
    mutate(c=length(c(intersect(unlist(strsplit(a, split=", ")), unlist(strsplit(b, split=", "))))))

           a    b   c
1 a, b, c, d a, d   2
2       a, c    a   2
3       b, d a, d   2

这让我担心我的所有行结果都被合并为一个结果并重复。

为了简化事情，我尝试在使用相交函数之前将我的字符串转换为列表：

df %>% mutate(a_list=list(unlist(strsplit(a, split=", "))))

但是收到错误：

Error in eval(substitute(expr), envir, enclos) : not compatible with STRSXP

这让人怀疑数据框中的列表是否与 tidyverse 兼容，因此，我是否需要采用完全不同的方法。

任何关于如何解决在 R 中的两个数据框列之间共享字符串的问题的建议（以及任何关于如何处理数据框中的列表值的见解）将不胜感激。

Answer 1

此基本 R 方法将起作用：使用 strsplit 将变量拆分为列表，每个元素都是一个字符向量。 mapply 函数获取列表并将以下操作应用于每个列表中相同位置的元素对。然后使用 insersect 查找重叠元素，并使用 paste 折叠将它们粘贴在一起。

df$c <- mapply(function(x, y) paste(intersect(x, y), collapse=", "),
               strsplit(df$a, ", "), strsplit(df$b, ", "))

df
           a    b    c
1 a, b, c, d a, d a, d
2       a, c    a    a
3       b, d a, d    d

数据

df <- data.frame('a'=c('a, b, c, d', 'a, c', 'b, d'),
                 'b'=c('a, d', 'a', 'a, d'), stringsAsFactors=FALSE)

Answer 2

你可以试试：

library(stringr)
# go go through each row, extract the letters, search for duplicates and paste together
apply(df, 1, function(x){
  tmp <- str_trim(unlist(str_split(x,",")))
  paste(tmp[duplicated(tmp)],collapse=", ")
 })
[1] "a, d" "a"   "d"

查找两个数据框列之间共享的字符串

Finding strings shared between two dataframe columns

r

list

dataframe

dplyr

intersection