字符串匹配

Question

我有一個數據框有兩列，它們是人的名字。生成表下面的代碼：

names.1=c('Ron ven goh','Phil Mick' , 'Rohan Aggarwal','John Deo Lin') 
names.2=c('Rob ven goh','kitty Mol','Tejas Aggarwal','Jorge Mol Lin') 
df=data.table(names.1,names.2) 

我的任務是再添變數是二進制（是，否） - 如果整個字符串在列中的任何字1場比賽第2欄的整個字符串的任何詞然後是「是」，否則「否」 - 只要找到匹配，就可以給出肯定結果。

我有下面這段代碼：

for(i in 1:nrow(df)){ 
    var_customername <- strsplit(as.character(df$names.1[i]),"\\s+") 
    var_relationshipname <- strsplit(as.character(df$names.2[i]),"\\s+")         
    df$NAMEMATCH[i] <- ifelse(any(unlist(var_customername) %in% unlist(var_relationshipname)),'YES','NO') 
    rm(var_customername,var_relationshipname) 
} 

我總體的數據幀700萬行，因此它通過我的計算將採取405小時由於如有循環 - 這是如何能提出的任何建議更快或優化？

Answer 1

我一直在使用這裏顯示更快的方法 '申請'：

你的方法：

> start.time <- Sys.time() 
> for(i in 1:nrow(df)){ 
+ var_customername <- strsplit(as.character(df$names.1[i]),"\\s+") 
+ var_relationshipname <- strsplit(as.character(df$names.2[i]),"\\s+")         

+ df$NAMEMATCH[i] <- ifelse(any(unlist(var_customername) %in% 
unlist(var_relationshipname)),'YES','NO') 
+ rm(var_customername,var_relationshipname) 
+ } 
> end.time <- Sys.time() 
> time.taken <- end.time - start.time 
> time.taken 
Time difference of 0.03119993 secs 

我的方法：

> start.time <- Sys.time() 
> apply(df, 1, function(x) 
ifelse(any(unlist(strsplit(as.character(x[1]),"\\s+")) %in% 
unlist(strsplit(as.character(x[2]),"\\s+"))),'YES','NO')) 
[1] "YES" "NO" "YES" "YES" 
> end.time <- Sys.time() 
> time.taken <- end.time - start.time 
> time.taken 
Time difference of 0 secs