在R中,比较两个字符串列表,在第二个列表中查找第一个列表的每个元素的部分

注意:我已更新问题以反映数据中的特定模式.

说我有两个向量.

   names_data <- c('A', 'B', 'C', 'D', 'E', 'F')
   levels_selected <- c('A1','A3', 'Blow', 'Bhigh', 'D(4.88e+03,9.18+e+04]', 'F')

我想知道如何获取向量,数据框,列表或其他任何内容,检查水平向量并返回选择哪个变量的级别.有些话说:

    A: 1, 3
    B: low, high
    D: (4.88e+03,9.18e+04]

最终,有一个数据框X,其中names_data = names(data)和levels_selected是每个变量中的一些但不是全部的级别.最后,我想要做的是使用model.matrix创建一个矩阵(比如说,例如,一个随机森林),我想在levels_selected中仅包含变量AND级别.有这么简单的方法吗?

最佳答案 我们可以在保留包含“levels_selected”(‘grp’)中的“names_data”的子字符串之后创建分组变量,使用’grp’拆分前缀已删除的子字符串以获取列表.

grp <- sub(paste0("^(", paste(names_data, collapse="|"), ").*"), "\\1", levels_selected)
value <- gsub(paste(names_data, collapse="|"), "", 
               levels_selected)
lst <- split(value, grp)
lst
#$A
#[1] "1" "3"

#$B
#[1] "low"  "high"

#$D
#[1] "x"

如果我们的意思是

library(qdapTools)
mtabulate(lst)
#  1 3 high low x
#A 1 1    0   0 0
#B 0 0    1   1 0
#D 0 0    0   0 1

或者另一种选择是使用strsplit

d1 <- as.data.frame(do.call(rbind, strsplit(levels_selected,
      paste0("(?<=(", paste(names_data, collapse="|"), "))"), 
             perl=TRUE)), stringsAsFactors=FALSE)
aggregate(V2~V1, d1, FUN= toString)
#  V1        V2
#1  A      1, 3
#2  B low, high
#3  D         x

并且可能是model.matrix

model.matrix(~V1+V2-1, d1)

更新

通过使用OP的新例子

d1 <- as.data.frame(do.call(rbind, strsplit(levels_selected,
  paste0("(?<=(", paste(names_data, collapse="|"), "))"), 
         perl=TRUE)), stringsAsFactors=FALSE)
split(d1$V2, d1$V1) 
#$A
#[1] "1" "3"

#$B
#[1] "low"  "high"

#$D
#[1] "(4.88e+03,9.18+e+04]"

它也使用第一种方法.

UPDATE2

如果没有任何字符可以继续“names_data”中的元素,我们可以将它们过滤掉

lst <- strsplit(levels_selected, paste0("(?<=(", paste(names_data, 
            collapse="|"), "))"), perl = TRUE)
d2 <-  as.data.frame(do.call(rbind,lst[lengths(lst)==2]), stringsAsFactors=FALSE)
split(d2$V2, d2$V1)
#$A
#[1] "1" "3"

#$B
#[1] "low"  "high"

#$D
#[1] "(4.88e+03,9.18+e+04]"
点赞