R: Regex_Join/Fuzzy_Join - 以不同的词序连接不精确的字符串

Question

df1

df2

df3

library(dplyr)
library(fuzzyjoin)
df1  <- tibble(a =c("Apple Pear Orange", "Sock Shoe Hat", "Cat Mouse Dog"))
df2  <- tibble(b =c("Kiwi Lemon Apple", "Shirt Sock Glove", "Mouse Dog"),
               c = c("Fruit", "Clothes", "Animals"))
# Appends 'Animals'
df3 <-  regex_left_join(df1,df2, c("a" = "b"))
# Appends Nothing
df3 <-  stringdist_left_join(df1, df2,  by = c("a" = "b"), max_dist = 3, method = "lcs")

我想使用字符串将 df2 的 c 列附加到 df1， 'Apple'、'Sock' 和 'Mouse Dog'。

我试着用 regex_join 和 fuzzyjoin 来做这个，但是字符串的顺序似乎很重要，而且不能'似乎找不到解决方法。

Answer 1

regex_left_join 有效，但它不只是在寻找任何相似之处。正如描述中所说，

Join a table with a string column by a regular expression column in another table

因此，我们需要提供一个正则表达式模式。如果 df2$b 包含单独的感兴趣的词，我们可能会

(df2$regex <- gsub(" ", "|", df2$b))
# [1] "Kiwi|Lemon|Apple" "Shirt|Sock|Glove" "Mouse|Dog"

然后

regex_left_join(df1, df2, by = c(a = "regex"))[-ncol(df1) - ncol(df2)]
# A tibble: 3 x 3
#   a                 b                c      
#   <chr>             <chr>            <chr>  
# 1 Apple Pear Orange Kiwi Lemon Apple Fruit  
# 2 Sock Shoe Hat     Shirt Sock Glove Clothes
# 3 Cat Mouse Dog     Mouse Dog        Animals

其中 -ncol(df1) - ncol(df2) 只是删除包含正则表达式模式的最后一列。

R: Regex_Join/Fuzzy_Join - 以不同的词序连接不精确的字符串

R: Regex_Join/Fuzzy_Join - Join Inexact Strings in Different Word Orders

regex

r

string-matching

fuzzyjoin