查找包含在另一列 R 中的列值

Question

我有多列地址，其中可能包含重复信息（但通常不会有完全重复的信息）。

以下代码将提供我的问题的示例，

id= c(1, 2)
add1 = c("21ST AVE", "5TH ST")
add2 = c("21ST AVE BLAH ST", "EAST BLAH BLVD")
df = data.frame(id, add1, add2) 
df$combined = paste(add1, add2)
df

这给出了以下结果，

  id      add1             add2                  combined
1   1 21ST AVE 21ST AVE BLAH ST 21ST AVE 21ST AVE BLAH ST
2   2   5TH ST   EAST BLAH BLVD     5TH ST EAST BLAH BLVD

我需要的结论如下，

  id      add1             add2                  combined
1   1 21ST AVE 21ST AVE BLAH ST          21ST AVE BLAH ST
2   2   5TH ST   EAST BLAH BLVD     5TH ST EAST BLAH BLVD

我想确定 add1 中的内容是否包含在 add2 中。如果我发现 add2 包含与 add1 提供的信息相同的信息，那么我要么想避免组合这些特定的列值，要么删除组合列中的重复信息（我认为这需要解决不同的问题字符串中重复短语的问题）。我一直无法找到一个示例来查找 'contained in' 而不是 'exact' 的列值 - 我正在处理一个数据集中超过 500K 个案例，其中这个问题很常见。任何帮助表示赞赏。

Answer 1

我们将split第二列和第三列乘以一个或多个space(\s+)，然后paste对应行的union mapply 创建 'combined'

lst <- lapply(df[2:3], function(x) strsplit(as.character(x), "\s+"))
df$combined <- mapply(function(x,y) paste(union(x, y), collapse=" "), lst$add1, lst$add2)
df$combined
#[1] "21ST AVE BLAH ST"      "5TH ST EAST BLAH BLVD"

或者另一个选项是 gsub

gsub("((\w+\s*){2,})\1", "\1", do.call(paste, df[2:3]))
#[1] "21ST AVE BLAH ST"      "5TH ST EAST BLAH BLVD"

Answer 2

这是实现此目的的一种方法，其中 ifelse 测试 add1 是否在 add2 中，如果是，则不包含它，否则将它们合并：

id= c(1, 2)
add1 = c("21ST AVE", "5TH ST")
add2 = c("21ST AVE BLAH ST", "EAST BLAH BLVD")
df = data.frame(id, add1, add2, stringsAsFactors = F) 

require(stringr)
require(dplyr)

df %>% mutate(combined = ifelse(str_detect(add2, add1), 
                                add2, 
                                str_c(add1, add2)))

输出：

  id     add1             add2             combined
1  1 21ST AVE 21ST AVE BLAH ST     21ST AVE BLAH ST
2  2   5TH ST   EAST BLAH BLVD 5TH STEAST BLAH BLVD

查找包含在另一列 R 中的列值

Find column value contained in another column R

r

string-concatenation