在r中的字符串中查找多个单词

Posted 2023-03-28

【中文标题】在r中的字符串中查找多个单词

【英文标题】：Find several words in a string in r

【发布时间】：2021-06-23 15:32:01

【问题描述】：

我有一列，其中的值用分号 (;) 分隔。例如，列中的值可能是：

我不会总是将相同数量的元素分开。

string1="abacavir sulfate; lamivudine; zidovudine"
string2="omeprazole magnesium; amoxicillin ; rifabutin"
string3="acetyl chloride; calcium"

我需要将它们放入一个正则表达式中，这样我才能看到我的其他数据框中的哪些字符串包含所有单词：

string_1_regex="^(?=.*\\babacavir sulfate\\b)(?=.*\\blamivudine\\b)(?=.*\\bzidovudine\\b)"
string_2_regex="^(?=.*\\bomeprazole magnesium\\b)(?=.*\\bamoxicillin\\b)(?=.*\\brifabutin\\b)"
string_3_regex="^(?=.*\\bacetyl chloride\\b)(?=.*\\bcalcium\\b)"

【问题讨论】：

您的问题是什么？您是否在寻找广义函数？

根据您的数据量，正则表达式可能会很慢。您最好将每个单词分离成一个向量/列表（计算成本低），然后在数据集之间进行连接。如果您的解决方案对您来说运行得足够快，请忽略此评论。

【参考方案1】：

我猜您正在寻找一种能够以通用方式实现此目的的函数。

这是我定义这样一个函数的方法：

library(magrittr)

regexify <- \(s) strsplit(s, ";") %>%
                   unlist() %>%
                   trimws() %>%
                   sprintf("(?=.*\\%s\\b)", .) %>%
                   c("^", .) %>%
                   paste(collapse = "")

你可以这样做

Map(regexify, list(string1,
                   string2,
                   string2))

返回

[[1]]
[1] "^(?=.*\\abacavir sulfate\\b)(?=.*\\lamivudine\\b)(?=.*\\zidovudine\\b)"

[[2]]
[1] "^(?=.*\\omeprazole magnesium\\b)(?=.*\\amoxicillin\\b)(?=.*\\rifabutin\\b)"

[[3]]
[1] "^(?=.*\\omeprazole magnesium\\b)(?=.*\\amoxicillin\\b)(?=.*\\rifabutin\\b)"

【参考方案2】：

str_replace 的选项

library(stringr)
str_c("^", str_remove_all(str_replace_all(str_remove_all(c(string1, 
    string2, string3), "(?<=;)\\s*|\\s*(?=;)"),
     "\\s*(?<=^|;)\\s*([^;]+)", function(x) sprintf("(?=.*\\%s\\b)", x)), ";"))

-输出

[1] "^(?=.*\\abacavir sulfate\\b)(?=.*\\lamivudine\\b)(?=.*\\zidovudine\\b)"    
[2] "^(?=.*\\omeprazole magnesium\\b)(?=.*\\amoxicillin\\b)(?=.*\\rifabutin\\b)"
[3] "^(?=.*\\acetyl chloride\\b)(?=.*\\calcium\\b)"