0

目录是具有不同值的字符向量。它具有以下结构

value   name    location    companybrand        
1111    ikea    boston      nike
1234    7/11    new york    marlboro
1456    walmart new york    marlboro

列表包含美国所有城市 -> 芝加哥、波士顿、纽约、洛杉矶和另一列有品牌全名

Location                    Brand
New York, 5th Avenue        Coca Cola LTD
New York, 51 Str            Nike Corporation 
New York, Broadway          Marlboro Incorporated

if (sum(grepl(paste("\\b", as.character(location), "\\b", sep = ""), catalog$value[i], fixed = FALSE)) > 0 && 
    sum(grepl(paste("\\b", as.character(companybrand), "\\b", sep = ""), catalog$value[i], fixed = FALSE)) > 0){
  subdata <- subset(listing, listing$local == as.character(location[which(grepl(paste("\\b", as.character(location), "\\b", sep = ""), catalog$value[i], fixed = FALSE)]) && listing$commercial == as.character(companybrand[which(grepl(paste("\\b", as.character(companybrand), "\\b", sep = ""), catalog$value[i], fixed = FALSE))]))
}

如您所见，我正在尝试使用多种模式运行 grepl 函数，该模式返回以下错误：

Warning message:
In grepl(paste("\\b", distmunicipality, "\\b", sep = ""), ctlg$distvalor[i],  :
  argument 'pattern' has length > 1 and only the first element will be used

我在其他帖子中读到，对此的适当解决方案是将所有要测试的模式折叠成带有管道分隔符的单个字符串，如下所示：

companybrand <- paste(companybrand, collapse = "|")
location <- paste(location, collapse = "|")

这适用于小向量，但在我的情况下，companybrand 中有 400 万个元素，这导致我的 R 因内存不足而终止。有没有一种实用的方法（可能使用 sapply）来运行这场比赛，而不需要计算上的繁重？

4

1 回答 1

0

我不确定为什么这个问题仍然存在。

似乎问题是您有每个品牌和位置的两个名称，您想要合并品牌和位置的两个数据集，以便您可以轻松获得来自两个数据源的信息。听起来像模糊合并或近似匹配合并。

无论如何，试图回答OP，它不是关于如何创建一个巨大的逻辑门，而是更多关于如何应用一堆更小的逻辑门。

在您的示例中，您提到连接管道列表的问题是它将有 400 万个条目。我建议如下：

require(data.table)
catalog<- data.table(value=c("1111","1234","1456"),
                     name=c("ikea","7/11","walmart"),
                     location=c("boston","new york","new york"),
                     companybrand=c("nike","marlboro","marlboro"))

listing<-data.table(Location=c("New York, 5th Avenue","New York,51 str","New York, Broadway"),
                    Brand=c("Coca Cola LTD","Nike Corporation","Marlboro Incorporated"))


for(companybrand in unique(catalog$companybrand)){
  listing[grepl(paste0("\\b",companybrand,"\\b"),Brand,ignore.case=TRUE),
          companybrand:=companybrand]
}

for(location in catalog$location){
 listing[grepl(paste0("\\b",location,"\\b"),location,Location,ignore.case=TRUE),
    location:=location]
}

dictionary<-listing[complete.cases(listing)]

注意：如果 in 的品牌和位置catalog比 in 多得多listing，那么我会反转代码并使 for 循环遍历较小的listing条目。

上面的代码生成了一个字典，您可以使用它来查找位置-品牌对（或位置-公司品牌对）的翻译，它应该更节省内存（我没有测试过）。

此时要对数据进行子集化，您需要做的就是将字典（可能重命名字典列）与您希望通过数据集使用的列名进行子集化的任何数据集合并。

于 2016-06-09T20:43:17.090 回答