Digamos que eu tenha o seguinte vetor de textos (character
):
d <- data.frame(id=1:3,
txt=c('Um gato e um cachorro',
'Cachorros jogam bola usando alpargatas',
'gatinhos cospem bolas de pêlos'), stringsAsFactors=F)
Eu gostaria de adicionar uma coluna booleana em d
que fosse TRUE
se o texto contêm (gato ou cachorro) e bola.
Uma alternativa que eu teria seria criar uma coluna para cada uma dessas expressões, e depois fazer uma operação lógica. Usando os pacotes dplyr
e stringr
(observe que eu não sei muito de regex e portanto elas ficaram grandes, feias e ineficientes, mas isso não é importante):
library(dplyr)
library(stringr)
d %>%
mutate(gato=str_detect(txt, ignore.case('^gat[aio]| gat[aio]')),
cachorro=str_detect(txt, ignore.case('cachor')),
bola=str_detect(txt, ignore.case('bola')),
result=(gato | cachorro) & bola)
Resultado:
id txt gato cachorro bola result
1 1 Um gato e um cachorro TRUE TRUE FALSE FALSE
2 2 Cachorros jogam bola usando alpargatas FALSE TRUE TRUE TRUE
3 3 gatinhos cospem bolas de pêlos TRUE FALSE TRUE TRUE
Agora, generalizando a pergunta: digamos que eu tenha um conjunto de p
expressões regulares a ser aplicado no vetor de texto de tamanho n
, e quero criar uma coluna booleana que seja o resultado de uma operação lógica a partir da detecção dessas expressões nos textos.
Pergunto: existe uma maneira de resolver isso sem precisar avaliar o texto p
vezes? Isto é, será que dá para diminuir o número de vezes que eu aplico str_detect
no meu texto?
O motivo da pergunta é porque i) tanto meu n
quanto meu p
são muito grandes e ii) não queria escrever explicitamente um monte de variáveis booleanas.
Uma resposta compatível com a utilização do dplyr
seria ótima, mas não é necessária. Agradeceria por qualquer contribuição!