如何用 R 中的查找代码替换带有字符串的列

Question

想象一下，我有一个数据框或数据table，其中有一行如下所示的字符串列：

a1; b: b1, b2, b3; c: c1, c2, c3; d: d1, d2, d3, d4

和查找 table，其中包含用于映射每个字符串的代码。例如：

string code
a1     10
b1     20
b2     30
b3     40
c1     50
c2     60
...

我想要一个将此字符串映射到代码的映射函数：

10; b: 20, 30, 40; c: 50, 60, 70; d: 80, 90, 100

我在 data.table/data.frame 中有一列这些字符串（超过 100k），因此非常感谢任何快速解决方案。请注意，此字符串长度并不总是相同的......例如，在一行中我可以有字符串 a 到 d，在其他 a 到 f.

编辑:

我们得到了上述情况的解决方案，但是假设我有这样一个字符串：

a; b: peter, joe smith, john smith; c: luke, james, john smith

如何替换这些知道 john smith 可以有两个不同的代码，具体取决于它属于 b 还是 c 类别？此外，字符串可以包含中间带有 space 的单词。

编辑 2:

   string     code
    a          10
    peter      20
    joe smith  30
    john smith 40
    luke       50
    james      60
    john smith 70
...

最终的解决方案是：

10; b: 20, 30, 40; c: 50, 60, 70

编辑 3 按照建议，我为下一期打开了一个新问题： How to replace repeated strings and space in-between with look-up codes in R

Answer 1

我们可以使用gsubfn

library(gsubfn)
gsubfn("([a-z]\d+)", setNames(as.list(df1$code), df1$string), str1)
#[1] "10; b: 20, 30, 40; c: 50, 60, 70; d: 80, 90, 100, 110"

编辑后的版本

gsubfn("(\w+ ?\w+?)",  setNames(as.list(df2$code), df2$string), str2)
#[1] "a; b: 20, 30, 40; c: 50, 60, 40"

数据

str1 <- "a1; b: b1, b2, b3; c: c1, c2, c3; d: d1, d2, d3, d4"
df1 <- structure(list(string = c("a1", "b1", "b2", "b3", "c1", "c2", 
 "c3", "d1", "d2", "d3", "d4"), code = c(10L, 20L, 30L, 40L, 50L, 
 60L, 70L, 80L, 90L, 100L, 110L)), class = "data.frame",
  row.names = c(NA, -11L))

str2 <- "a; b: peter, joe smith, john smith; c: luke, james, john smith"

df2 <- structure(list(string = c("a", "peter", "joe smith", "john smith", 
"luke", "james", "john smith"), code = c(10L, 20L, 30L, 40L, 
50L, 60L, 70L)), class = "data.frame", row.names = c(NA, -7L))

Answer 2

一个更快的替代方法是使用 stringr::str_replace_all():

library(stringr)
library(gsubfn)

mystring <- "a1; b: b1, b2, b3; c: c1, c2, c3; d: d1, d2, d3, d4"
mystrings <- rep(mystring, 10000)

str_replace_all(mystrings, setNames(as.character(df$code), df$string))

microbenchmark::microbenchmark(gsubfn = gsubfn("([a-z]\d+)", setNames(as.list(df$code), df$string), mystrings),
                               stringr = str_replace_all(mystrings, setNames(as.character(df$code), df$string)), check = "equal", times = 50)

Unit: milliseconds
    expr        min         lq      mean     median         uq        max neval cld
  gsubfn 4846.19633 5584.54845 5923.5042 5939.49794 6261.29821 7479.04022    50   b
 stringr   29.01798   29.94274   31.6118   30.80002   31.72871   50.57533    50  a

Answer 3

这里有一些基本的 R 解决方案。

方法一：使用Reduce

res <- Reduce(function(x,k) gsub(df$string[k],df$code[k],x),
              c(s,as.list(1:nrow(df))))

这样

> res
[1] "10; b: 20, 30, 40; c: 50, 60, c3; d: d1, d2, d3, d4"

方法二： 定义自定义递归函数 f 使其成为

f <- function(k) ifelse(k==0,s,gsub(df$string[k],df$code[k],f(k-1)))
res <- f(nrow(df))

这样

> res
[1] "10; b: 20, 30, 40; c: 50, 60, c3; d: d1, d2, d3, d4"

数据

s <- "a1; b: b1, b2, b3; c: c1, c2, c3; d: d1, d2, d3, d4"
df <-structure(list(string = c("a1", "b1", "b2", "b3", "c1", "c2"), 
    code = c(10L, 20L, 30L, 40L, 50L, 60L)), class = "data.frame", row.names = c(NA, 
-6L))

如何用 R 中的查找代码替换带有字符串的列

How to replace column with strings with look-up codes in R

r

gsub

str-replace

dataframe

data.table

数据