Cartographie du sujet de la revue dans R

J'ai deux ensembles de données, les données d'examen et les données de sujet

Code de saisie de mes données d'examen

structure(list(Review = structure(2:1, .Label = c("Canteen Food could be improved", 
"Sports and physical exercise need to be given importance"), class = "factor")), class = "data.frame", row.names = c(NA, 
-2L))

Code de saisie de mes données de sujet

structure(list(word = structure(2:1, .Label = c("canteen food", 
"sports and physical"), class = "factor"), Topic = structure(2:1, .Label = c("Canteen", 
"Sports "), class = "factor")), class = "data.frame", row.names = c(NA, 
-2L))

Dput de ma sortie souhaitée , je veux rechercher les mots qui apparaissent dans les données de sujet et les mapper aux données de révision

structure(list(Review = structure(2:1, .Label = c("Canteen Food could be improved", 
"Sports and physical exercise need to be given importance"), class = "factor"), 
    Topic = structure(2:1, .Label = c("Canteen", "Sports "), class = "factor")), class = "data.frame", row.names = c(NA, 
-2L))

Ce que vous voulez, c'est quelque chose comme une jointure floue. Voici une force brute à la recherche d'une sous-chaîne stricte (mais insensible à la casse):

library(dplyr)
review %>%
  full_join(topic, by = character()) %>% # full cartesian expansion
  group_by(word) %>%
  mutate(matched = grepl(word[1], Review, ignore.case = TRUE)) %>%
  ungroup() %>%
  filter(matched) %>%
  select(-word, -matched)
# # A tibble: 2 x 2
#   Review                                                   Topic    
#   <fct>                                                    <fct>    
# 1 Sports and physical exercise need to be given importance "Sports "
# 2 Canteen Food could be improved                           "Canteen"

C'est un peu de force brute en ce sens qu'il fait une jointure cartésienne des cadres avant de tester avec grepl, mais ... vous ne pouvez pas vraiment éviter certaines parties de cela.

Vous pouvez également utiliser le fuzzyjoinpackage, qui est destiné aux jointures sur des objets flous (nommés de manière appropriée).

fuzzyjoin::regex_left_join(review, topic, by = c(Review = "word"), ignore_case = TRUE)
# Warning: Coercing `pattern` to a plain character vector.
#                                                     Review                word   Topic
# 1 Sports and physical exercise need to be given importance sports and physical Sports 
# 2                           Canteen Food could be improved        canteen food Canteen

L'avertissement est que vos colonnes sont des factors, non character, cela devrait être inoffensif. Si vous souhaitez masquer l'avertissement, vous pouvez utiliser suppressWarnings(un peu fort); si vous voulez éviter l'avertissement, convertissez toutes les colonnes applicables de factoren character(par exemple topic[] <- lapply(topic, as.character), même pour review$Review, mais modifiez-le si vous avez des colonnes numériques).

Amateur ici. Je l'ai fait en utilisant la base R, pas dplyr, car je ne suis pas le meilleur pour les fonctions de jointure.

Ci-dessous, initialisez votre dfs. J'ai ajouté plus d'exemples pour m'assurer que tout fonctionnait correctement. Également choisi de ne pas utiliser de facteurs, rend les choses compliquées pour l'attribution de chaînes plus tard.

# initialize your dfs
review <- data.frame("Review" = c("Canteen Food could be improved", 
                                  "Sports and physical exercise need to be given importance",
                                  "canteen food x2",
                                  "this is my sports and physical",
                                  "SPORTS AND PHYSICAL",
                                  "meme",
                                  "canteen and food",
                                  "this is my meme",
                                  "memethis"
                                  ),
                     stringsAsFactors = F)

topic <- data.frame("word" = c("canteen food", "sports and physical", "meme"), 
                    "Topic" = c("Canteen", "Sports", "meme_cat"),
                    stringsAsFactors = F)

Ensuite, utilisez simplement des boucles for imbriquées pour parcourir les mots souhaités, trouver les chaînes correspondantes et attribuer le sujet approprié. Et tout initialisé AVANT la boucle for.

# initialize new column to write into in loop
review <- cbind(review, "Topic" = rep(NA, nrow(review)))

# initialize before for loop
a <- rep(F, nrow(topic))

# loop over words in topic and find string matches in review. if so, assign review$topic = Topic for (i in 1:nrow(topic)) { for(j in 1:nrow(review)) { a[j] <- grepl(topic$word[i], review$Review[j], ignore.case=T) } if (any(a)) { review$Topic[a] = topic$Topic[i]
  }

review
#                                                    Review    Topic
#1                           Canteen Food could be improved  Canteen
#2 Sports and physical exercise need to be given importance   Sports
#3                                          canteen food x2  Canteen
#4                           this is my sports and physical   Sports
#5                                      SPORTS AND PHYSICAL   Sports
#6                                                     meme meme_cat
#7                                         canteen and food     <NA>
#8                                          this is my meme meme_cat
#9                                                 memethis meme_cat