问题标签 [agrep]

我在一个目录中有多个文件。我想提取包含整数值大于 45 的所有文件中的每一行。

目前，我正在使用：

它向我显示了此字符串“IO 恢复后”的所有文件

简而言之：如何从 Rccp C++ 代码中调用当用户使用基本 Ragrep中的常规函数​​时调用的 C 内部函数？agrep

长篇大论：我在这里发现了多个关于如何从 Rcpp 中调用为另一个包创建的 C 或 C++ 函数的问题（例如，使用 Rcpp 和Rcpp中其他包中的C 函数：从 Rcpp 中的包调用 C 函数）。

然而，我试图实现的事情同时更简单，但记录也更少：它是从 Rcpp 中直接调用一个 .Internal C 函数，该函数随基础 R 而不是另一个包提供，无需接口使用 R （即，不执行Rcpp 中的 Call R 函数中所说的操作）。对于位于基本 R 的 agrep 包装器下方的 .Internal C 函数，我该如何做到这一点？

我在这里尝试调用的特定函数是 agrep 内部 C 函数。对于上下文，我最终要实现的是加快对 agrep 的调用，以便在必须针对数百万个 x 目标中的每一个检查数百万个模式时。

取两个 C 或 C++ 中的字符串，s1和s2. 检查一个是否包含另一个是相当简单的。

true如果s2是 的子字符串，则以下内容将返回s1。

在 C 中：

在 C++ 中：

带升压：

我正在寻找的是一种有效的类似方法（在速度方面，而不是内存方面）查找字符串是否大约包含在 / 中是否大约是另一个的子字符串，直到给定的差异阈值。agrep与 Unix 系统中用于查找文件的 bash 命令非常相似。

例如，假设函数被调用approx_contains。如果包含在最大为 4 的 Levenshtein 距离内，则approx_contains(s1, s2, 4)可以返回真/假。s2s1

在网上搜索，我只发现了许多关于如何计算两个字符串之间的 Levenshtein 距离的参考资料和问题，或者是近似字符串模式匹配的理论算法，而不仅仅是检查一个字符串是否包含另一个字符串——这在这里变得很浪费。

非常努力地避免重新发明轮子，有人怎么能在 C 或 C++ 中进行这样的检查？

模式列表如下所示：

X 来自 df 看起来像：

我试图做的：使用agrep根据df$X在pattern中找到匹配的名称，然后根据匹配结果为现有列'column2'赋值，例如，如果'aaa-053'匹配'aaa' ，那么 'aaa' 将是 'column2' 中的值，如果不匹配，则返回该列中的 na。

df 中的理想 column2 如下所示：

我有一个相对较大的数据集，大约 5k 行，其中包含期刊/研究论文的标题。这是数据集的一个小样本：

您可以看到那里有一些重复的标题，但格式/大小写不同。我想识别重复的标题并创建一个新变量来记录哪些行可能匹配。为此，我尝试使用此处建议的 agrep 函数：

这会识别匹配项，但会将结果保存为新变量列中的列表。有没有办法做到这一点（最好使用 base r 或 data.table），其中 agrep 的结果不保存为列表，而只识别哪些行是匹配的（例如，6:7）？

在此先感谢-希望我提供了足够的信息。

我正在努力接受agrep用于模糊匹配的功能。假设你有这样的字符串：

进一步假设我想匹配那些最接近mm. 使用agrep，匹配的相互“接近度”或“距离”由“广义的 Levenshtein 编辑距离（将一个字符串转换为另一个字符串所需的插入、删除和替换的最小可能加权数”（来自 R 文档agrep）来衡量。据我了解，Levenshtein 距离有效地反映了转换的成本。因此，例如，如果参数cost设置为0，则agrep返回mmand mm mm，这是可以预期的，因为两个字符串需要零转换：

但是，如果cost设置为 的（荒谬的）一小部分1，则所有字符串都匹配，尽管看起来，例如转换mother为mm涉及至少两个操作，即 (i) 删除other和 (ii) 将其替换为m因此应该更加“昂贵”来实现：

我的猜测是，我并不真正了解agrep它的论点是如何工作的，尤其是距离是如何计算的，因此非常感谢有关此问题的专家指导。

大家好！

这个问题源自这里的前一个问题，但代表它本身。

我正在使用agrep在大型 DNA 文本文件中搜索具有 2 个允许不匹配的字符串，该文件仅具有来自先前 agrep 搜索的具有相同设置的行。所以每一行都应该包含一个匹配项！我假设agrep每行搜索一次......

问题：_

wc -l temp_R1_GCTCTTCCGATCT_M2.txt-> 9583行

agrep -2 -c 'GCTCTTCCGATCT' temp_R1_GCTCTTCCGATCT_M2.txt-> 9570。

agrep -2 'GCTCTTCCGATCT' temp_R1_GCTCTTCCGATCT_M2.txt | wc -l-> 9566。

-d '$'应该是标准 -.-
agrep -2 -c -d '$' 'GCTCTTCCGATCT' temp_R1_GCTCTTCCGATCT_M2.txt-> 9580

更奇怪的是：
agrep -2 -c 'GCTC' temp_R1_GCTCTTCCGATCT_M2.txt-> 9662（比所有行都多？）
agrep -2 -d '$' -c 'GCTC' temp_R1_GCTCTTCCGATCT_M2.txt-> 9609

数据：Googledrive：.txt 文件 ZIP 文件

一个可能的答案来自man agrep：

以下可能导致无限循环：agrep 模式 * > output_file。如果匹配的数量很高，它们可能会在 output_file 被完全读取之前存放在 output_file 中，从而导致 output_file 中的模式匹配更多（匹配针对整个目录）。目前尚不清楚这是否是一个“错误”（grep 也会这样做），但请注意。

我用不同的文件对此进行了测试。有时它确实有效，但在大多数情况下，我无法理解这是如何发生的。这-d '$'是非常恼人的。

最后，我将使用不同的方法进行模糊搜索，但这并不能让我入睡。到底是怎么回事？我可以完全信任agrep吗？

我有两个向量，比如

我想匹配它们，即“链接”每个元素v1与 上最相似的元素v2，这样结果是

以下代码给出了预期的结果，但这只是因为它已经手动“格式化”了

碰巧会agrep(df[2,1], v2, max.distance = 0.00001, ignore.case = T, value = T)导致"redx" "grean"，即使我设置了max.distance = 0.00001.

这就是为什么我有 if 条件，但它不能保证选择最相似的答案。

我该如何克服这个问题？

先感谢您

这看起来很简单，但由于某种原因，我不理解agrep涉及替换的模糊匹配的行为。当指定时，两个替换会产生预期的匹配all=2，但不会在指定时产生匹配substitutions=2。为什么是这样？

^{由reprex 包于 2021-06-03 创建 (v2.0.0 )}

问题

我有一个包含基本股票代码信息的小标题（在此处以 .csv 文件的形式提供：https ://www.nasdaq.com/market-activity/stocks/screener ）。

我如何过滤这个 tibble（叫它symbolData）只为第二个小得多的 tibble（叫它DowJones）中列出的公司？请注意，数据集之间的公司名称并不完全一致（即“Apple Inc. - Common Stock”symbolData与 中的“Apple Inc.” DowJones）。

代表

以前的尝试

我已经尝试了很多方法，包括%in%/ %chin%、grep/ grepl、agrepl/ agrep、str_detect，将DowJones数据框变成列表，以及其他各种我不记得的方法。到目前为止，我尝试过的所有操作都返回了一个空的 tibble，或者返回了与不同列长度相关的错误消息。一些例子：