使用 for 循环替换非结构化文本文件中的单词

Question

我有一个非常非结构化的文本文件，我使用 readLines 读取。我想将某些字符串更改为变量中的另一个字符串（下面称为“新”）。

下面，我希望操纵文本包含所有术语：“一”、“二”、“三”和“四”一次，而不是“更改”字符串。但是，正如您所见， sub 更改了每个元素中的第一个模式，但我需要代码忽略有带引号的新字符串。

请参阅下面的示例代码和数据。

 #text to be changed
 text <- c("TEXT TEXT TEXT TEXT TEXT TEXT TEXT TEXT TEXT change",
        "TEXT TEXT TEXT change TEXT TEXT TEXT TEXT TEXT change", 
        "TEXT TEXT TEXT change TEXT TEXT TEXT TEXT")

 #Variable containing input for text
 new <- c("one", "two", "three", "four")
 #For loop that I want to include 
 for (i in 1:length(new)) {

   text  <- sub(pattern = "change", replace = new[i], x = text)

 }
 text

Answer 1

这个怎么样？逻辑是，敲掉一个字符串，直到它不再有change。在每个“命中”（找到change 的位置）上，沿着new 向量移动。

text <- c("TEXT TEXT TEXT TEXT TEXT TEXT TEXT TEXT TEXT change",
          "TEXT TEXT TEXT change TEXT TEXT TEXT TEXT TEXT change", 
          "TEXT TEXT TEXT change TEXT TEXT TEXT TEXT")

#Variable containing input for text
new <- c("one", "two", "three", "four")
new.i <- 1

for (i in 1:length(text)) {
  while (grepl(pattern = "change", text[i])) {
    text[i] <- sub(pattern = "change", replacement = new[new.i], x = text[i])
    new.i <- new.i + 1
  }
}
text

[1] "TEXT TEXT TEXT TEXT TEXT TEXT TEXT TEXT TEXT one" 
[2] "TEXT TEXT TEXT two TEXT TEXT TEXT TEXT TEXT three"
[3] "TEXT TEXT TEXT four TEXT TEXT TEXT TEXT" 

Answer 2

这是另一个使用gregexpr() 和regmatches() 的解决方案：

#text to be changed
text <- c("TEXT TEXT TEXT TEXT TEXT TEXT TEXT TEXT TEXT change",
          "TEXT TEXT TEXT change TEXT TEXT TEXT TEXT TEXT change",
          "TEXT TEXT TEXT change TEXT TEXT TEXT TEXT")

#Variable containing input for text
new <- c("one", "two", "three", "four")

# Alter the structure of text
altered_text <- paste(text, collapse = "\n")

# So we can use gregexpr and regmatches to get what you want
matches <- gregexpr("change", altered_text)
regmatches(altered_text, matches) <- list(new)

# And here's the result
cat(altered_text)
#> TEXT TEXT TEXT TEXT TEXT TEXT TEXT TEXT TEXT one
#> TEXT TEXT TEXT two TEXT TEXT TEXT TEXT TEXT three
#> TEXT TEXT TEXT four TEXT TEXT TEXT TEXT

# Or, putting the text back to its old structure
# (one element for each line)
unlist(strsplit(altered_text, "\n"))
#> [1] "TEXT TEXT TEXT TEXT TEXT TEXT TEXT TEXT TEXT one" 
#> [2] "TEXT TEXT TEXT two TEXT TEXT TEXT TEXT TEXT three"
#> [3] "TEXT TEXT TEXT four TEXT TEXT TEXT TEXT"

我们可以这样做，因为gregexpr() 可以在“更改”的文本中找到所有匹配项；来自help("gregexpr")：

regexpr 返回一个与给出的文本长度相同的整数向量 第一场比赛的起始位置....

gregexpr 返回一个与 text 的每个元素长度相同的列表 它与正则表达式的返回值形式相同，除了 每个（不相交的）匹配的起始位置已给出。

（强调）。

那么regmatches()可以用来提取gregexpr()找到的匹配或者替换它们；来自help("regmatches")：

用法

regmatches(x, m, invert = FALSE)
regmatches(x, m, invert = FALSE)

...

价值
一个具有合适替换值的对象，用于匹配的或 不匹配的子字符串（请参阅详细信息）。

...

详情

替换功能可用于替换匹配的或 不匹配的子串。对于矢量匹配数据，如果 invert 为 FALSE， value 应该是一个字符向量，其长度为匹配的数量 m中的元素否则，它应该是一个字符向量列表 长度与 m 相同，每个长度与替换次数一样长 需要。

Answer 3

使用strsplit的另一种方法：

tl <- lapply(text, function(s) strsplit(s, split = " ")[[1]])
df <- stack(setNames(tl, seq_along(tl)))

ix <- df$values == "change"
df[ix, "values"] <- new
tapply(df$values, df$ind, paste, collapse = " ")

给出：

                                                  1 
 "TEXT TEXT TEXT TEXT TEXT TEXT TEXT TEXT TEXT one" 
                                                  2 
"TEXT TEXT TEXT two TEXT TEXT TEXT TEXT TEXT three" 
                                                  3 
          "TEXT TEXT TEXT four TEXT TEXT TEXT TEXT"

此外，您可以将tapply 调用包装在unname 中：

 unname(tapply(df$values, df$ind, paste, collapse = " "))

给出：

[1] "TEXT TEXT TEXT TEXT TEXT TEXT TEXT TEXT TEXT one" 
[2] "TEXT TEXT TEXT two TEXT TEXT TEXT TEXT TEXT three"
[3] "TEXT TEXT TEXT four TEXT TEXT TEXT TEXT"

---

如果您只想使用new 的元素一次，您可以将代码更新为：

newnew <- new[1:3]

ix <- df$values == "change"
df[ix, "values"][1:length(newnew)] <- newnew
unname(tapply(df$values, df$ind, paste, collapse = " "))

---

您可以进一步更改此设置，以考虑替换位置多于需要替换的位置（模式的出现，在示例中为 change）的情况：

newnew2 <- c(new, "five")

tl <- lapply(text, function(s) strsplit(s, split = " ")[[1]])
df <- stack(setNames(tl, seq_along(tl)))

ix <- df$values == "change"
df[ix, "values"][1:pmin(sum(ix),length(newnew2))] <- newnew2[1:pmin(sum(ix),length(newnew2))]
unname(tapply(df$values, df$ind, paste, collapse = " "))