estensione di una funzione che accetta un data.table come argomento per utilizzare la tabella completa (invece di un sottoinsieme)

Question

Ho una funzione che funziona, per un data.table (data.frame) di 1 riga, ma non lavoro per l'intero data.table. Vorrei estendere la funzione per prendere in considerazione tutte le righe dei dati di input.table.

Il nocciolo dell'argomento è il seguente:

A data.table (tryshort3) se un campo è una stringa, deve essere sostituita con un'altra stringa da un'altra data.table (mapping), MRE come segue :

#this is the original data.table 
tryshort3 <- structure(list(country = c("AT", "AT", "MT", "DE", "CH", "XK" 
), name = c("ASDF AG", "ASDF GMBH", "ASDF DF", "ASDF KG", "ASDF SA", 
"ASDF DAF"), address = c("ACDSTR. 3", "ACDSTR. 4", "ACDSTR. 5", 
"ACDSTR. 6", "ACDSTR. 7", "ACDSTR. 8")), .Names = c("country", 
"name", "address"), row.names = c(NA, -6L), class = c("data.table", 
"data.frame")) 



#this is the "mapping 
mapping <- structure(list(country = c("AT", "AT", "DE", "DE", "HU"), short.form = c("AG", 
"GMBH", "GMBH", "EV", "EV"), long.form = c("AKTIENGESELLSCHAFT", 
"GESELLSCHAFT MIT BESCHRANKTER HAFTUNG", "GESELLSCHAFT MIT BESCHRANKTER HAFTUNG", 
"EINGETRAGENE VEREIN", "EGYENI VALLALKOZO")), .Names = c("country", 
"short.form", "long.form"), row.names = c(NA, -5L), class = c("data.table", 
"data.frame"), sorted = "country") 


#this is the function that I am using (please not that both data.tables are keyed, but that has currently no say in the output (just avoids throwing an error): 

substituting_short_form <- function(input) { 
    #supply one data.frame of 1 row, the other data.frame is external to the function 
    #get country from input 
    setkey(input,country) 
    setkey(mapping,country) 
    matched_country <- input$country 
    #subset of mapping to only the country from the input 
    matched_map <- mapping[country == matched_country] 
    #get list of short.forms from matched 
    list_of_relevant_short_forms <- matched_map[,short.form] 
    #which one matches will return true if there is any match, THIS IS A NUMBER THAT WILL HAVE TO BE MATCHED TO mapping again to retrieve the correct form 
    #error catching for when there is no short form found, or no country found if there is no long form it does not matter! 
    indextrue <- tryCatch(which(unlist(lapply(list_of_relevant_short_forms, function(y) grepl(y, input$name)))), error = function(e) return(input)) 
    #substitute 
    pattern_to_substitute <- paste0("(\\s|^)", matched_map[indextrue,short.form], "(\\s|$)") 
    pattern_to_replace <- paste0("\\1", matched_map[indextrue,long.form], "\\2") 
    input$name[1] <- gsub(pattern = pattern_to_substitute, replacement = pattern_to_replace,input$name , perl = TRUE) 
    return(input) 
} 

in breve, cosa questa funzione sta facendo, sta prendendo tryshort3 asn un ingresso (attualmente solo lavorando con tryshort3[1,]) e sostituisce nel campo "nome" il valore trovato nella tabella mapping, in questo modo:

> tryshort3[1,] 
    country name address 
1:  AT ASDF AG ACDSTR. 3 
> substituting_short_form(tryshort3[1,]) 
    country     name address 
1:  AT ASDF AKTIENGESELLSCHAFT ACDSTR. 3 

Quello che vorrei, fornisco come input la piena data.table, e ottenere lo stesso risultato (un data.table di stessa lunghezza), ecco il mio risultato atteso:

country     name address 
1:  AT ASDF AKTIENGESELLSCHAFT ACDSTR. 3 
2:  AT ASDF GESELLSCHAFT MIT BESCHRANKTER HAFTUNG ACDSTR. 4 
3:  CH ASDF SA ACDSTR. 7 
4:  DE ASDF KG ACDSTR. 6 
5:  MT ASDF DF ACDSTR. 5 
6:  XK ASDF DAF ACDSTR. 8 

La soluzione che vorrei sarebbe qualcosa all'interno della funzione apply(tryshort3, 1, function(x) substituting_short_form(x)), forse utilizzando le funzionalità di indicizzazione di entrambi i dati.tables, o forse usando gapply da nlme da dentro?

Answer 1

forse si può provare in diverse fasi:

# create the shortform variable in tryshort3 
tryshort3[, short.form := sub(".+\\s([^s]+)$", "\\1", name)] 

# add the info from mapping 
tryshort3long <- merge(tryshort3, mapping, all.x=TRUE, by=c("country", "short.form")) 

# replace the short form by long form in the name and suppress the variables you don't need 
# (thanks to @DavidArenburg for the simplification of the "replace" part!) 
tryshort3long[!is.na(long.form), 
       name := paste(sub(" .*", "", name), long.form) 
       ][, c("long.form", "short.form") := NULL] 

tryshort3long 
    # country          name address 
# 1:  AT     ASDF AKTIENGESELLSCHAFT ACDSTR. 3 
# 2:  AT ASDF GESELLSCHAFT MIT BESCHRANKTER HAFTUNG ACDSTR. 4 
# 3:  CH         ASDF SA ACDSTR. 7 
# 4:  DE         ASDF KG ACDSTR. 6 
# 5:  MT         ASDF DF ACDSTR. 5 
# 6:  XK         ASDF DAF ACDSTR. 8 

NB: mi dispiace Ho appena messo per il tuo esempio data.table e non come una funzione

Answer 2

Il problema con apply è che costringerà il suo argomento a una matrice. Provare con un semplice ciclo:

lst <- list() 
for(i in 1:nrow(tryshort3)) lst[[i]] <- substituting_short_form(tryshort3[i,]) 
rbindlist(lst) 
# country          name address 
# 1:  AT     ASDF AKTIENGESELLSCHAFT ACDSTR. 3 
# 2:  AT ASDF GESELLSCHAFT MIT BESCHRANKTER HAFTUNG ACDSTR. 4 
# 3:  MT         ASDF DF ACDSTR. 5 
# 4:  DE         ASDF KG ACDSTR. 6 
# 5:  CH         ASDF SA ACDSTR. 7 
# 6:  XK         ASDF DAF ACDSTR. 8