使用（如果可能）函数方法修改基于正则表达式 (regex) 向量的向量

Question

我有一个包含一些列的数据框，我想修改这些列，具体取决于它们是否与包含在具有正则表达式的向量中的某些模式匹配

library(fuzzyjoin)
library(tidyverse)

 (df <- tribble(~a,
               "GUA-ABC",
               "REF-CDE",
               "ACC.S93",
               "ACC.ATN"))

#> # A tibble: 4 x 1
#>   a      
#>   <chr>  
#> 1 GUA-ABC
#> 2 REF-CDE
#> 3 ACC.S93
#> 4 ACC.ATN

根据我想粘贴文本的模式，例如，对于包含 GUA 的模式，在由点连接的链的末端粘贴“GUA001”，对于包含 REF 的模式，粘贴“GUA002”同理，可以得到：

# This is the resulting data.frame I need

#> # A tibble: 4 x 1
#>   a             
#>   <chr>         
#> 1 GUA-ABC.GUA001
#> 2 REF-CDE.GUA002
#> 3 ACC.S93       
#> 4 ACC.ATN

我想到了一些办法

方法 # 1

 # list of patterns to search
 patterns <- c("\b^GUA\b", "\b^REF\b")

 # Create a named list for recoding
 model_key <- list("\b^GUA\b" = "GUA001",
                   "\b^REF\b" = "GUA002")
 
 # Create a data.frame of regexs
 (k <- tibble(regex = patterns))

#> # A tibble: 2 x 1
#>   regex       
#>   <chr>       
#> 1 "\b^GUA\b"
#> 2 "\b^REF\b"

 # perform a regex_left_join to identify the pattern
 df %>% 
  regex_left_join(k, by = c(a = "regex")) %>% 
  mutate(
   
   across(regex, recode, !!!model_key),
   a = case_when(
    
    !is.na(regex) ~ str_c(a, regex, sep = "."),
    TRUE ~ a)
   
  ) %>% select(-regex)

#> # A tibble: 4 x 1
#>   a             
#>   <chr>         
#> 1 GUA-ABC.GUA001
#> 2 REF-CDE.GUA002
#> 3 ACC.S93       
#> 4 ACC.ATN

为什么这种方法不是最优的？原始数据框有数百万行，fuzzyjoin::regex_left_join需要很长时间才能完成。

方法 # 2

 patron <- c("GUA001" = "\b^GUA\b", "GUA002" = "\b^REF\b")
 newtex <- c("GUA001", "GUA002")
 
 pegar <- function(string, pattern, text_to_paste) {
  
  if_else(condition = str_detect(string, pattern), 
          true = str_c(string, text_to_paste, sep = "."), 
          false = string)
  
 }
 
 map2_dfr(.x = patron, .y = newtex, ~ pegar(string = df$a, 
                                            pattern = .x, 
                                            text_to_paste = .y))
#> # A tibble: 4 x 2
#>   GUA001         GUA002        
#>   <chr>          <chr>         
#> 1 GUA-ABC.GUA001 GUA-ABC       
#> 2 REF-CDE        REF-CDE.GUA002
#> 3 ACC.S93        ACC.S93       
#> 4 ACC.ATN        ACC.ATN

^{由 reprex package (v2.0.0)}

于 2021-05-20 创建

使用方法 # 2 我无法获得单个列。

附带说明一下，使用 str_replace_all 并使用命名向量替换字符串中的某些值目前似乎不是一个好的选择。

有没有办法更优化地做到这一点？

Answer 1

利用 stringr 和 purrr 的一个选项可能是：

imap_dfr(model_key,
         ~ df %>%
          filter(str_detect(a, .y)) %>%
          mutate(a = str_c(a, .x, sep = "."))) %>%
 bind_rows(df %>%
            filter(str_detect(a, str_c(names(model_key), collapse = "|"), negate = TRUE)))

  a             
  <chr>         
1 GUA-ABC.GUA001
2 REF-CDE.GUA002
3 ACC.S93       
4 ACC.ATN

Answer 2

无聊的旧循环怎么样？

## make df millions of rows
df <- df[rep(1:4,1e6),]

system.time({

  val <- c("GUA\-", "REF\-", "ACC\.", "QQQ\.")
  rpl <- c("GUA001", "GUA002", "ACC001", "QQQ001")
    
  for(i in seq_along(val)) {
    sel <- grepl(val[i], df$a)
    df$a[sel] <- paste(df$a[sel], rpl[i], sep=".")
  }

})
##   user  system elapsed 
##   2.14    0.03    2.17

2 秒完成

df

## A tibble: 4,000,000 x 1
#   a             
#   <chr>         
# 1 GUA-ABC.GUA001
# 2 REF-CDE.GUA002
# 3 ACC.S93.ACC001
# 4 ACC.ATN.ACC001
# ...

如果函数方法是绝对必要的，你可以把它压缩成一个Reduce函数：

Reduce(
  function(str, args) {
    sel <- grepl(args[1], str)
    str[sel] <- paste(str[sel], args[2], sep=".")
    str
  },
  Map(c, val, rpl), init = df$a
)

使用（如果可能）函数方法修改基于正则表达式 (regex) 向量的向量

Modify a vector based on a vector of regular expressions (regex) using (if possible) a functional approach

regex

algorithm

r

vectorization

stringr

方法 # 1

方法 # 2