使用另一个数据框作为 map 替换数据框中的列？

Question

在我的具体情况下，我有两个数据框:

> a
         column
1     red apple
2       red car
3  yellow train
4        random
5 random string
6    blue water
7         thing

> map
       x     y
1    red color
2   blue color
3 yellow color
4 random other
5  thing other

我想要的结果是:

> a
         column
1         color
2         color
3         color
4         other
5         other
6         color
7         other

我知道这篇文章给出了使用合并的例子 Replacing values in data frame column using another data frame .但就我而言，存在细微差别:

1. 我想检查列 x 的子字符串键是否包含在 a 的任何“列”中。
2. 来自的 map 数据是多 -> 单映射。

我如何编写能够有效地为我完成此任务的内容？现实中的两个数据框更大。 A 是 30k 行， map 是 30x2

编辑:子字符串可以从“列”的任何地方开始，不一定是第一个单词

Answer 1

可重现的例子:

a <- data.frame(column=c('red apple', 'red car', 'yellow train', 'random', 'random string', 'blue water', 'thing'), stringsAsFactors=F)
map <- data.frame(x=c('red', 'blue', 'yellow', 'random'), y=c('color', 'color', 'color', 'other'))

有几个选项。我可以想到两个(我相信还有更多)，我将向您展示如何对它们进行计时以比较它们的性能。您可能必须尝试对自己的特定数据进行计时，因为哪种方法最快可能会根据例如时间而改变。 map$x 与 a 相比有多大，或者只是 a 或 map 的大小。

• 如果您知道第一个词总是匹配(如果有)，那么您可以跳过正则表达式，只使用strsplit 来获取第一个词。<
• 否则，正则表达式可以在此处为您提供帮助(并且有多种方法可以执行正则表达式)。
• 请注意 pmatch 在这里不起作用，因为您要尝试将许多较长的字符串与较少的较短字符串进行匹配。
• data.table 是快速处理大数据的常用方法。不过，我认为正则表达式可能是这里的限制因素，所以我不确定您是否会通过这种方式加快速度。

.

# rbenchmark library to compare times
library(rbenchmark)
benchmark(firstword={
  # extract first word; match exactly against the map
  # probably fastest; but "dumbest" unless you know the first word
  #  is always the match
  firstword <- vapply(a$column, function (x) strsplit(x, ' ')[[1]][1], '', USE.NAMES=F) 
  out.firstword <<- map$y[match(firstword, map$x)]
},
regex = {
  # regex option: find the matching word, then use `match`
  #  will have problems if any of map$x has regex special characters.
  regex <- sprintf('^.*\\b(%s)\\b.*$', paste(map$x, collapse='|')) # ^.*\b(red|blue|yellow|random)\b.*$  
  out.regex <- map$y[match(gsub(regex, '\\1', a$column), map$x)]
},
replications=100)

# check we at least agree on the output and get the expected output
all.equal(out.regex, out.firstword)
all.equal(as.character(out.regex), c('color', 'color', 'color', 'other', 'other', 'color', NA))

请注意，如果您要对大数据进行基准测试，您可能希望复制更少!你不想坐在那里等待多年......另外，请注意最后一行返回“NA”而不是其他，因为字符串“thing”与 map 中的任何内容都不匹配。

返回

       test replications elapsed relative user.self sys.self user.child sys.child
1 firstword          100   0.010    1.111         0        0          0         0
2     regex          100   0.009    1.000         0        0          0         0

因此对于您的特定示例数据，正则表达式方法更快 - 但如前所述，它完全取决于您的特定数据 [这个示例的本质是数据集很小，所以一切都与其他]所以你的里程可能会有所不同。