R 模糊匹配词的返回向量

我正在使用

agrepl（）

通过模糊匹配单词来过滤data.table。这对我来说效果很好，使用类似这样的东西：

 library(data.table)
 data <- as.data.table(iris)
 pattern <- "setosh"
 dt <- data[, lapply(.SD, function(x) agrepl(paste0("\\b(", pattern, ")\\b"), x, fixed = FALSE, ignore.case = TRUE))] 
 data<- data[rowSums(dt) > 0]
 head(data)

   Sepal.Length Sepal.Width Petal.Length Petal.Width Species
1:          5.1         3.5          1.4         0.2  setosa
2:          4.9         3.0          1.4         0.2  setosa
3:          4.7         3.2          1.3         0.2  setosa
4:          4.6         3.1          1.5         0.2  setosa
5:          5.0         3.6          1.4         0.2  setosa
6:          5.4         3.9          1.7         0.4  setosa

您可以看到，我没有得到向量中的结果，结果包括完整值“setosh species”，而不仅仅是“setosh”（匹配的部分）

---

希望这更有帮助

只需使用agrep的输出作为正在进行grepping的字符向量的索引即可

vec <- c("setosh", "setosz", "sethosz", "etosh", "ethos", "seosh")
idx <- agrep("setosh", vec) # grepl works as well
vec[idx]

编辑：好的，但是如果我们只希望得到匹配的字符串呢？不是全部，只是匹配的部分？然后我们就有了一点乐趣，因为grep/grepl和agrep/agrepl不是这样工作的。幸运的是，这里有

aregexec

函数

vec <- c("setosh is my name", "setosz", "sethosz who", 
         "what etosh", "ethos", "seosh", "funk setos brother")
matches <- aregexec("setosh", vec)

我们可以使用这些数字来提取匹配的字符串

library(purrr)
starts <- unlist(matches)
ends <- starts - 1 + map_int(matches, ~ attr(., "match.length"))
res <- substr(vec, starts, ends)
res[ starts < 0 ] <- NA

有了res，我们可以做一些事情。我们可以删除NA并查看唯一值：

res <- res[ !is.na(res) ]
unique(res)

最终编辑：OP选择的示例似乎与他们的想法不完全一致。因此，我们将再举一个例子

vec <- c("setosh is my name", "setosz", "sethosz who", 
         "what etosh", "ethos", "seosh", "funk setos brother")
data <- data.table(matrix(sample(vec, 100, replace=T), ncol=5))

好的，但如果您只想获得唯一的匹配，我们可以进一步简化：

vec <- unique(vec)

---

如果我理解正确，你真的只想从字符串中提取模糊匹配。听起来在使用数据帧和返回向量时也存在一些问题，但我认为一旦成功提取了匹配的子字符串，它就会变得简单得多

我将使用以下玩具数据：

库（data.table）
种子集（123）
我不太清楚你在问什么。如果你创建了一个字符向量
s，谢谢gersht。这不太管用，因为我只想要模糊匹配的单词，而不是完整的值。当搜索较长的文本字段时，这一点更为明显。我在下面给出了一个例子来回应一月的回答。坦白地说，我仍然不明白您试图用数据表实现什么。您说要筛选行，但您正在对数据表的列进行操作。因此，您在列上循环，并且对于每个列，您尝试将模式与列相匹配。但是前四列包含数字，因此这些都不匹配：这就是为什么您会收到四条错误消息（每列一条）。第五种方法终于奏效了，你得到了data.table，一个data.table应该得到的东西。停止使用data.table或学习如何使用它；-）你想要一个字符向量，很好。为什么不将agrep或aregexec应用于感兴趣的列？例如，使用我下面的方法？这就是你现在想要的吗？例如：
aregexec（“setosh”，data$Species）
然后处理匹配以获得子字符串。我不是在尝试筛选行，我从来没有说过这一点。我不知道怎么说得更清楚。我想要data.table中任何地方出现的模糊匹配的单词向量。我完全理解为什么会有这些错误——我不是在问这个问题，我只是把它们留在里面，这样人们就不会认为我提供了不完整的信息。我使用这种方法的原因是搜索整个数据集，而不仅仅是一列，因为与此示例不同，在我的数据中，匹配可能发生在任何地方。谢谢，我可以看到这种方法有效，但我无法将其应用于数据集-我将更新我的问题，使其更具体。实际上，这对我想要的也不太有效，因为它不只是隔离模糊匹配值。使用
vec-Ah。我懂了。我不明白这是如何帮助您选择列的（因为如果列名是“setosa species”，那么您需要全部内容），但我明白了：您需要的是实际的匹配，而不是匹配的字符串。不幸的是，这不是grep/grepl/agrep/agrepl的工作方式。我不想选择列-我在顶部包含的代码已经做到了这一点，它只是我如何使用
agrepl（）
的一个示例。但在搜索匹配时，我处理的是数据集，而不是单个向量。我并不特别在意这样做的方式是否与grep家族中的某些东西有关（例如，我发现用于精确匹配的方式使用
str_match（）
from
stringr
），我只是在寻找一种有效的方式！是的，但是它应该做什么呢！我不知道。是否要筛选列？是否要获取匹配向量？是否要筛选行？您上面的代码不正确（您grep了所有列，这是故意的吗？），所以很难知道您想要什么。
vec <- data$Species
matches <- aregexec("setosh", vec)
starts <- unlist(matches)
ends <- starts - 1 + map_int(matches, ~ attr(., "match.length"))
res <- substr(vec, starts, ends)
res[ starts < 0 ] <- NA

res <- res[ !is.na(res) ]
unique(res)

[1] "setosa" "setosh"

vec <- c("setosh is my name", "setosz", "sethosz who", 
         "what etosh", "ethos", "seosh", "funk setos brother")
data <- data.table(matrix(sample(vec, 100, replace=T), ncol=5))

vec <- unlist(data)

vec <- unique(vec)

[1] "setosh" "setosz" "setos " "seosh"  " etosh"

                 V1               V2               V3
1: blah setosh blah             bloh             bloh
2:             bloh blah setosh blah           setosa
3: blah setosh blah         bluh sep      blah seposa
4:      blah seposa  bleh versicolor blah setosh blah
5:      blah seposa             bloh         bluh sep

       V1     V2     V3
1: setosh              
2:        setosh setosa
3: setosh        seposa
4: seposa        setosh
5: seposa