两个数据帧之间文本字符串的不对称部分匹配

Question

我有两个数据框：

• df1 基于调查回复，并包含一个非限制字段，供用户添加其在英国的位置（或拒绝这样做），格式如下（非真实数据）：

姓名	地点
爱丽丝	伦敦/利物浦
鲍勃	曼彻斯特
吉姆	没有
大卫	我住在卡迪夫

我有另一个数据框（df2），它是英国城镇的单列列表，如下所示：

城市
曼彻斯特
卡迪夫
伦敦
布莱顿
诺丁汉

我想做的是编写能够：

• 循环df1

• 对于位置列中的每个条目，扫描 df2，如果 df2 中的任何城市在 df1 中完全复制，则向 df 1 添加一个新列，以提取第一个匹配项，如下所示：

姓名	地点	位置_精确
爱丽丝	伦敦或布莱顿	伦敦
鲍勃	曼彻斯特	曼彻斯特
吉姆	没有	-
大卫	我住在卡迪夫	卡迪夫

然后我可以使用 location_precise 列通过标准化名称进行进一步分析。常规 left_join/lapply 函数让我困惑的是，我想允许在一个方向上部分匹配（如果 df2 中的城市部分包含在 df1 中），但不允许在另一个方向上部分匹配（如果 df1$location 中的答案是df2 中的城市，例如上例中的“no”和“nottingham”。

我不知道如何使常规 dplyr 函数适应这一点，因为两个数据集中没有公共标识符 - 因此每次连接尝试都会以各种错误结束。否则我就完全束手无策了。我尝试过使用 grep:

df1$location_precise <- lapply(df1$Location, grep, df2$city,value=T)

但这不会获取没有空格的部分匹配项，例如“伦敦/格拉斯哥”

我也尝试过 agrep，但这会错误地识别部分匹配，例如 'No' = 'Nottingham'，并且仍然无法识别许多其他部分匹配

Answer 1

始终记得放置一个可重现的示例。

我已经拿走了你的表（df1 和 df2），并为两个表添加了一个额外的案例：

df1 <- data.frame(Name = LETTERS[1:5], 
                  Location = c("London/Liverpool", 
                               "London/Glasgow",
                               "Manchester",
                               "No",
                               "I am based in Cardiff"))

df2 <- data.frame(city = c("Manchester",
                           "Cardiff",
                           "London",
                           "Glasgow",
                           "Brighton",
                           "Nottingham"))

sapply(X = df1$Location, FUN = \(x){
  
  out <- df2$city[sapply(X = df2$city, FUN = grepl, x = x, ignore.case = TRUE)]
  
  out <- if(length(out) == 0) "-" else if(length(out) == 1) out else if(length(out) > 1) paste(out, collapse = ", ")
})

输出：

 London/Liverpool        London/Glasgow            Manchester 
         "London"     "London, Glasgow"          "Manchester" 
               No I am based in Cardiff 
              "-"             "Cardiff"

这可能不是最优雅的例子，但你可以尝试一下，我们会改进它。对于存在多个匹配项的情况，我让它显示所有匹配项并用逗号分隔它们。