在R中计算两个字符串的差异

Question

我有一些R语言的数据：

string_1 = c("newyork 123", "california 123", "washington 123")
string_2 = c("123 red", "123 blue", "123 green")
my_data = data.frame(string_1, string_2)

我希望从字符串1中“减去”字符串2。结果应该类似于这样：

"newyork", "california", "washington"

我试图做到这一点：

library(tidyverse)

# did not work as planned
> str_remove(string_1, "string_2")

[1] "newyork 123"    "california 123" "washington 123"

但这并不是执行“完整”的减法。

• 有人知道如何做吗？
• 我应该尝试在SQL中使用ANTI JOIN来完成吗？

谢谢！

- stats_noob

---

你需要定义在这里“减去”字符串的实际含义。如果给定输入为 newyork 123 并输出为 newyork，那么 123 red 中的子字符串 red 会发生什么？ - Tim Biegeleisen

Answer 1

你可以将两个字符串分割后找到它们的差集。

mapply(setdiff, strsplit(string_1, "\\s+"), strsplit(string_2, "\\s+"))

# [1] "newyork"    "california" "washington"

- Darren Tsai

Answer 2

library(dplyr)
library(purrr)
library(stringr)

string_1 <- c("newyork 123", "california 123", "washington 123")
string_2 <- c("123 red", "123 blue", "123 green")

my_data <- data.frame(string_1, string_2)

my_data %>%
    mutate(
        subtracted = map2(
            str_split(string_1, "\\s+"),
            str_split(string_2, "\\s+"),
            ~ setdiff(.x, .y)
        ) %>% map_chr(~ paste0(.x, collapse = " "))
    )

#>         string_1  string_2 subtracted
#> 1    newyork 123   123 red    newyork
#> 2 california 123  123 blue california
#> 3 washington 123 123 green washington

如果我像@DarrenTsai建议的那样更改string_2，我们也会得到我们想要的结果。

string_1 <- c("newyork 123", "california 123", "washington 123")
string_2_test <- c("123 red", "456 blue", "789 green")

my_data <- data.frame(string_1, string_2_test)

my_data %>%
    mutate(
        subtracted = map2(
            str_split(string_1, "\\s+"),
            str_split(string_2_test, "\\s+"),
            ~ setdiff(.x, .y)
        ) %>% map_chr(~ paste0(.x, collapse = " "))
    )

#>         string_1 string_2_test     subtracted
#> 1    newyork 123       123 red        newyork
#> 2 california 123      456 blue california 123
#> 3 washington 123     789 green washington 123

^{由 reprex包 (v2.0.1) 于2022-07-07 创建}

- shafee

---

用 string_2 <- c("123 red", "456 blue", "789 green") 替换 string_2，然后再次运行您的代码。第二个和第三个 string_1 中的 "123" 不应该被删除，但是您删除了它们，对吗？这是因为 unlist() 将所有子字符串融合在一起，但是 setdiff() 应该成对地进行。 - Darren Tsai

哦，我明白了，这个解决方案是不完整的。那我需要做得更好，谢谢@DarrenTsai。 - shafee

@DarrenTsai，非常感谢您指出这一点。 - shafee

Answer 3

library(purrr)

list1 <- str_split(string_1, pattern = " ")
list2 <- str_split(string_2, pattern = " ")

a <- map2(list1, list2, function(x, y){
    
    output <- setdiff(x, y)
    return(output)
  }) %>% unlist()

- Chemist learns to code

---

在 map2() 函数中，unlist(x) %>% as.vector() 是多余的。只需使用 output <- setdiff(x, y) 即可。 - Darren Tsai

所以你的代码可以简化为 map2_chr(list1, list2, function(x, y) setdiff(x, y))，甚至可以简化为 map2_chr(list1, list2, ~ setdiff(.x, .y))，甚至可以简化为 map2_chr(list1, list2, setdiff)。请注意，map2_chr() 可以帮助你省去最后一个 unlist() 的使用。 - Darren Tsai

Answer 4

我们可以使用 gsub + mapply + trimws 来实现它。

> trimws(mapply(function(x, y) gsub(x, "", y), gsub("\\s+", "|", string_2), string_1))
     123|red     123|blue    123|green
   "newyork" "california" "washington"

- ThomasIsCoding

Answer 5

使用tidyverse的另一个选择是，将string_2拆分为每一行，然后折叠成一个字符串，我们可以用它来搜索任何单词（即使用|作为“或”的符号；例如，“123”或“red”等），然后使用str_remove_all删除这些单词。接下来，我们可以使用pull命令提取带有删除内容的string_1列。

library(tidyverse)

my_data %>%
  rowwise() %>%
  mutate(string_1 = trimws(str_remove_all(string_1, str_c(
    unlist(str_split(string_2, " ")), collapse = "|")))) %>%
  pull(string_1)

输出

[1] "newyork"    "california" "washington"

- AndrewGB