在R中将字符串转换为二进制向量

Posted 2023-02-14

【中文标题】在R中将字符串转换为二进制向量

【英文标题】：Convert string into binary vector in R

【发布时间】：2021-12-29 10:37:01

【问题描述】：

我正在尝试通过描述符对一组期刊进行聚类，并且我一直在考虑将描述符转换为二进制向量，而不是使用字符串距离（到目前为止我一直在使用）以避免匹配“催化”等问题" 和 "分析" 或为（不希望的）部分匹配匹配长字符串。

为了实现这个想法，我已将期刊可能出现的每个描述符按字母顺序分成一组 266 个字符串 (isolated_cat)。

dput(head(isolated_cat))
c("Accounting", "AcousticsUltrasonics", "AdvancedSpecializedNursing", 
"AerospaceEngineering", "Aging", "AgriculturalBiologicalSciences"
)

对于我的数据框中的每个期刊，我都有一个带有一组描述符的列，例如

journals_STEM$Categories4dist[1]
[1] "Biomaterials ElectronicOpticalMagneticMaterials Energy MaterialsChemistry SurfacesCoatingsFilms"

我期望的输出是一个 266 长的向量，其中 isolated_cat 中的每个类别都有 0 和 1，表示描述符是否包含该词（之后我想测试 PCA 和不同的聚类方法来将期刊分成组） .

首先，我试过了

as.numeric(isolated_cat %in% aux$Categories4dist[i])

显然（我后来注意到）仅适用于由单个类别定义的期刊。我一直在尝试不同的 grep 组合，但我并不走运。有没有直接的方法可以实现这一目标？到目前为止，我发现的唯一解决方案太复杂了，我认为我遗漏了一些明显的东西。

【参考方案1】：

这是带有lapply 和grepl 的基本R 选项-

journals_STEM[isolated_cat] <- lapply(isolated_cat, function(x) 
            +(grepl(x, journals_STEM$Categories4dist, ignore.case = TRUE)))

上面的内容也会匹配一个子字符串，意思是“at”会匹配“cat”。如果您需要完全匹配，请使用单词边界 (\\b)。

journals_STEM[isolated_cat] <- lapply(paste0('\\b', isolated_cat, '\\b'), 
      function(x) +(grepl(x, journals_STEM$Categories4dist, ignore.case = TRUE)))

【参考方案2】：

某事。喜欢：

library(stringr)

isolatedcat <- c("Accounting", "AcousticsUltrasonics", "AdvancedSpecializedNursing", "AerospaceEngineering", "Aging", "AgriculturalBiologicalSciences", 'Biomaterials')


Categories4dist <- str_split('Biomaterials ElectronicOpticalMagneticMaterials Energy MaterialsChemistry SurfacesCoatingsFilms', ' ', simplify = TRUE)

as.data.frame(sapply(isolatedcat, function(x) as.numeric(str_detect(x, Categories4dist))))

给出：

  Accounting AcousticsUltrasonics AdvancedSpecializedNursing
1          0                    0                          0
2          0                    0                          0
3          0                    0                          0
4          0                    0                          0
5          0                    0                          0
  AerospaceEngineering Aging AgriculturalBiologicalSciences Biomaterials
1                    0     0                              0            1
2                    0     0                              0            0
3                    0     0                              0            0
4                    0     0                              0            0
5                    0     0                              0            0