如何标准化列中的非数字字符？ [关闭]

Question

我需要为大学组成的列中的非数字字符提供相同的名称（值）。下面列出了我的表格示例。当然，还有很多其他的大学名称、人物名称和专栏名称。我只需要更改数据框的这一部分。

Name	Affiliation
Jose Ramayana	OXFORD UNIVERSITY
Andres Andresius	OFORD UNIVERSITY
Pepito Perez	UNIVERSIDAD NACIONAL
Cacolo Osorio	Universidad Nacional de Bogotá
Maleja Patras	Unievrsidad del Valle
Tigre Tony	Universidad Nacional
Pocho Valencia	UNIVERSIDAD DEL VALLE
Puti Gutierrez	OXFORD UNIVERSITY
Chuchi Lopez	UPTC
Ganso Salazar	Uptc
Santiago Andrade	PONTIFICIA UNIVERSIDAD JAVERIANA
Andrés Tigreros	JAVERIANA CALI

我试图使用此代码，但我刚刚得到了同一个人的多次复制至少 10 次。

DB_CO1<- DB_CO %>%
        mutate(FinalAssociation = map(affiliation, ~DB_CO$affiliation[str_detect(.x,DB_CO$affiliation)])) %>% 
          unnest (cols = c(FinalAssociation))

期望的结果：从属关系中的所有值以某种方式保持不变

Name	Affiliation
Jose Ramayana	OXFORD UNIVERSITY
Andres Andresius	OXFORD UNIVERSITY
Pepito Perez	UNIVERSIDAD NACIONAL DE BOGOTÁ
Cacolo Osorio	UNIVERSIDAD NACIONAL DE BOGOTÁ
Maleja Patras	UNIVERSIDAD DEL VALLE
Tigre Tony	UNIVERSIDAD NACIONAL DE BOGOTÁ
Pocho Valencia	UNIVERSIDAD DEL VALLE
Puti Gutierrez	OXFORD UNIVERSITY
Chuchi Lopez	UPTC
Ganso Salazar	UPTC
Santiago Andrade	PONTIFICIA UNIVERSIDAD JAVERIANA CALI
Andrés Tigreros	PONTIFICIA UNIVERSIDAD JAVERIANA CALI

非常感谢您的帮助。

Answer 1

这个agrep 解决方案依赖于几个假设。

1. 项目之间可能存在模糊匹配（即没有像 UN 等严重缩写的名称）
2. 较长的字符串是所需的名称。
3. 不会出现歧义。

dat_n <- sapply( dat$Affiliation, function(x)
  dat$Affiliation[agrep(x,dat$Affiliation,ignore.case = TRUE)] )

dat$Affiliation_new <- toupper( unlist(sapply( dat_n, function(x)
  x[which.max( nchar(x) )] )) )

               Name                      Affiliation
1     Jose Ramayana                OXFORD UNIVERSITY
2  Andres Andresius                 OFORD UNIVERSITY
3      Pepito Perez             UNIVERSIDAD NACIONAL
4     Cacolo Osorio   Universidad Nacional de Bogotá
5     Maleja Patras            Unievrsidad del Valle
6        Tigre Tony             Universidad Nacional
7    Pocho Valencia            UNIVERSIDAD DEL VALLE
8    Puti Gutierrez                OXFORD UNIVERSITY
9      Chuchi Lopez                             UPTC
10    Ganso Salazar                             Uptc
11 Santiago Andrade PONTIFICIA UNIVERSIDAD JAVERIANA
12  Andrés Tigreros                   JAVERIANA CALI
                    Affiliation_new
1                 OXFORD UNIVERSITY
2                 OXFORD UNIVERSITY
3    UNIVERSIDAD NACIONAL DE BOGOTÁ
4    UNIVERSIDAD NACIONAL DE BOGOTÁ
5             UNIEVRSIDAD DEL VALLE
6    UNIVERSIDAD NACIONAL DE BOGOTÁ
7             UNIEVRSIDAD DEL VALLE
8                 OXFORD UNIVERSITY
9                              UPTC
10                             UPTC
11 PONTIFICIA UNIVERSIDAD JAVERIANA
12                   JAVERIANA CALI

数据

dat <- structure(list(Name = c("Jose Ramayana", "Andres Andresius",
"Pepito Perez", "Cacolo Osorio", "Maleja Patras", "Tigre Tony",
"Pocho Valencia", "Puti Gutierrez", "Chuchi Lopez", "Ganso Salazar",
"Santiago Andrade", "Andrés Tigreros"), Affiliation = c("OXFORD UNIVERSITY",
"OFORD UNIVERSITY", "UNIVERSIDAD NACIONAL", "Universidad Nacional de Bogotá",
"Unievrsidad del Valle", "Universidad Nacional", "UNIVERSIDAD DEL VALLE",
"OXFORD UNIVERSITY", "UPTC", "Uptc", "PONTIFICIA UNIVERSIDAD JAVERIANA",
"JAVERIANA CALI")), class = "data.frame", row.names = c(NA, -12L
))