regex - 使用正则表达式的 R 子集数据集

Question

有没有办法让下面的 R 代码运行得更快(即矢量化以避免使用 for 循环)？

我的示例包含两个数据框。首先是维度 n1*p。 p 列之一包含名称。第二个数据框是一个列向量 (n2*1)。它还包含名称。我想保留第一个数据帧的所有行，其中第二个数据帧的列向量中名称的某些部分出现在相应的第一个数据帧中。对不起，粗暴的解释。

示例(数据框 1):

x        y 
Doggy    1 
Hello    2 
Hi Dog   3 
Zebra    4 

示例(数据框 2)

z
Hello
Dog

所以在上面的例子中，我想保留第 1,2,3 行而不是第 4 行。因为“Dog”出现在“Doggy”和“Hi Dog”中。而“你好”出现在“你好”中。排除第四行，因为“你好”或“狗”没有出现在“斑马”中。

下面是我的 R 代码来做到这一点......运行良好。但是，对于我的真正任务。数据框 1 有 100 万行，数据框 2 有 50 个要匹配的项目。所以运行很慢。任何有关如何加快速度的建议表示赞赏。

x <- c("Doggy", "Hello", "Hi Dog", "Zebra")
y <- 1:4
dat <- as.data.frame(cbind(x,y))
names(dat) <- c("x","y")

z <- as.data.frame(c("Hello", "Dog"))
names(z) <- c("z")

dat$flag <- NA
for(j in 1:length(z$z)){
for(i in 1:dim(dat)[1]){ 

    if ( is.na(dat$flag[i])==TRUE ) {
        dat$flag[i] <- length(grep(paste(z[j,1]), dat[i,1], perl=TRUE, value=TRUE))
    } else {

    if (dat$flag[i]==0) {
        dat$flag[i] <- length(grep(paste(z[j,1]), dat[i,1], perl=TRUE, value=TRUE))

    } else { 

    if (dat$flag[i]==1) {
        dat$flag[i]==1
    }
    }
    }
}
}

dat1 <- subset(dat, flag==1)
dat1  

Answer 1

尝试这个:

dat[grep(paste(z$z, collapse = "|"), dat$x), ]

或者

subset(dat, grepl(paste(z$z, collapse = "|"), x))