Tidyverse：根据部分匹配替换整个字符串答案

【问题标题】：Tidyverse: Replacing entire strings based on partial matchesTidyverse：根据部分匹配替换整个字符串
【发布时间】：2019-10-08 00:05:51
【问题描述】：

我希望使用 stringr 包中的函数根据部分匹配替换数据中的整个字符串条目。

我尝试过的唯一方法是使用str_replace_all() 替换完全匹配，但是当需要纠正数十种变化时，这变得乏味且笨拙。我正在寻找基于部分匹配的替换。在下面的代表中，我用直接规范替换了“Spaniard”和“Colombian”的变体。但是，我很乐意根据诸如满足单词中存在“Spa”或“Col”的条件来执行这些替换。

library(tidyverse)
library(stringr)

data <- c(
  "Spanish",
  "SPANIARD",
  "Spainiard",
  "Colombian",
  "Columbian",
  "Ecuador",
  "Equador",
  "Ecuadorian",
  "VENEZUELAN"
)

str_replace_all(data,
                c(
                  "Spanish" = "Spaniard",
                  "SPANIARD" = "Spaniard",
                  "Spainiard" = "Spaniard",
                  "Columbian" = "Colombian"
                ))
#> [1] "Spaniard"   "Spaniard"   "Spaniard"   "Colombian"  "Colombian" 
#> [6] "Ecuador"    "Equador"    "Ecuadorian" "VENEZUELAN"

^{由reprex package (v0.2.1) 于 2019 年 5 月 21 日创建}

所以str_replace_all() 像宣传的那样工作，但我正在寻找一种方法来简化 tidyverse 中的这个过程。非常感谢任何帮助。

【问题讨论】：

标签： r tidyverse stringr

【解决方案1】：

我更喜欢使用距离度量（例如，Jaro-winkler 距离或其他一些距离度量），但它们确实有其缺点。对部分匹配可能会改变的内容感到厌烦。如果您正在进行部分匹配，那么明智的做法是看看有哪些可能性。但是，您可以使用case_when 和startsWith 或grepl 来完成您在tidyverse 中概述的操作：

tibble(data = data) %>%
  mutate(
    v1 = tolower(data),
    new_name = case_when(
      startsWith(v1, "spa") ~ "Spanaird",
      startsWith(v1, "col") ~ "Colombian",
      startsWith(v1, "eq") | startsWith(v1, "ec") ~ "Equadorian",
      startsWith(v1, "ven") ~ "Venezuelan",
      TRUE ~ as.character(data)))

# A tibble: 9 x 3
  data       v1         new_name  
  <chr>      <chr>      <chr>     
1 Spanish    spanish    Spanaird  
2 SPANIARD   spaniard   Spanaird  
3 Spainiard  spainiard  Spanaird  
4 Colombian  colombian  Colombian 
5 Columbian  columbian  Colombian 
6 Ecuador    ecuador    Equadorian
7 Equador    equador    Equadorian
8 Ecuadorian ecuadorian Equadorian
9 VENEZUELAN venezuelan Venezuelan

要查看您可以这样做（或其他几件事）的可能性：

tibble(data = data) %>%
  arrange(data) %>%
  count(tolower(data))

【讨论】：

我才刚刚了解到距离测量概念的存在。关于如何学习如何在 R 中应用它的任何建议？
嘿@ChrisAguilar，我将从stringdist 的文档开始，RecordLinkage 中也有几个距离度量。除了他们引用的论文/我浏览过的维基百科之外，我没有太多推荐。对不起，我没有更多的帮助，但祝你好运！！！

【解决方案2】：

一种选择是使用距离方法进行部分匹配

vals <- c("Spaniard", "Equador", "Colombian", "Venezuelan")
library(stringdist)
vals[amatch(tolower(data), tolower(vals),maxDist=5)]
#[1] "Spaniard"   "Spaniard"   "Spaniard"   "Colombian"  "Colombian"  
#[6] "Equador"    "Equador"    "Equador"    "Venezuelan"

它可以在tidyverse 工作流中进行管道传输

library(tidyverse)
tibble(v1 = data) %>%
    mutate(v1 = vals[amatch(tolower(v1), tolower(vals), maxDist = 5)])

【讨论】：

因此，只需创建一个具有所需值的字符向量并如上所述应用amatch()，即可应用更正。那太棒了！这种方法是否有任何缺点，或者它会失败的常见情况？谢谢。
@ChrisAguilar 是的。它是基于距离的方法，所以如果你的匹配元素变化太大，那么你可能需要增加maxDist