小写某些单词 R

Question

我需要将某些单词转换为小写。我正在处理一个电影标题列表，如果介词和冠词不是标题中的第一个单词，它们通常是小写的。如果我有向量：

movies = c('The Kings Of Summer', 'The Words', 'Out Of The Furnace', 'Me And Earl And The Dying Girl')

我需要的是这个：

movies_updated = c('The Kings of Summer', 'The Words', 'Out of the Furnace', 'Me and Earl and the Dying Girl')

有没有一种优雅的方式来做到这一点，而无需使用一长串的gsub()，如：

movies_updated = gsub(' In ', ' in ', movies)
movies_updated = gsub(' In', ' in', movies_updated)
movies_updated = gsub(' Of ', ' of ', movies)
movies_updated = gsub(' Of', ' of', movies_updated)
movies_updated = gsub(' The ', ' the ', movies)
movies_updated = gsub(' the', ' the', movies_updated)

等等。

Answer 1

实际上，您似乎有兴趣将您的文本转换为title case。这可以通过使用stringi 包轻松实现，如下所示：

>> stringi::stri_trans_totitle(c('The Kings of Summer', 'The Words', 'Out of the Furnace'))
[1] "The Kings Of Summer" "The Words"           "Out Of The Furnace"

另一种方法是使用tools 包中的toTitleCase 函数：

>> tools::toTitleCase(c('The Kings of Summer', 'The Words', 'Out of the Furnace'))
[1] "The Kings of Summer" "The Words"           "Out of the Furnace" 

Answer 2

虽然我喜欢@Konrad 的简洁回答，但我会提供一个更直接和手动的替代方案。

movies = c('The Kings Of Summer', 'The Words', 'Out Of The Furnace',
           'Me And Earl And The Dying Girl')

gr <- gregexpr("(?<!^)\\b(of|in|the)\\b", movies, ignore.case = TRUE, perl = TRUE)
mat <- regmatches(movies, gr)
regmatches(movies, gr) <- lapply(mat, tolower)
movies
# [1] "The Kings of Summer"            "The Words"                     
# [3] "Out of the Furnace"             "Me And Earl And the Dying Girl"

正则表达式的技巧：

• (?<!^) 确保我们不匹配字符串开头的单词。如果没有这个，电影 1 和 2 的第一个 The 将被小写。
• \\b 设置字边界，这样Dying 中间的in 将不匹配。这比您对空格的使用更可靠，因为连字符、逗号等不是空格，而是表示单词的开头/结尾。
• (of|in|the) 匹配 of、in 或 the 中的任何一个。更多图案可以添加分隔管道|。

一旦确定，只需将它们替换为小写版本即可。

Answer 3

另一个使用gsub（带有PCRE正则表达式）将某些单词转为小写的例子：

movies = c('The Kings Of Summer', 'The Words', 'Out Of The Furnace', 'Me And Earl And The Dying Girl')
gsub("(?!^)\\b(Of|In|The)\\b", "\\L\\1", movies, perl=TRUE)

见R demo

详情：

• (?!^) - 不在字符串的开头（我们在这里使用前瞻还是后瞻都没关系，因为里面的模式是零宽度断言）
• \\b - 找到领先的word boundary
• (Of|In|The) - 将 Of 或 In 或 The 捕获到第 1 组
• \\b - 确保有一个尾随单词边界。

替换包含小写运算符\L，它将第一个反向引用值（捕获到组 1 中的文本）中的所有字符转换为小写。

请注意，它可以比使用tools::toTitleCase 更灵活。将特定单词保持小写的代码部分是：

## These should be lower case except at the beginning (and after :)
lpat <- "^(a|an|and|are|as|at|be|but|by|en|for|if|in|is|nor|not|of|on|or|per|so|the|to|v[.]?|via|vs[.]?|from|into|than|that|with)$"

如果您只需要应用小写并且不关心函数中的其他逻辑，则将这些替代方案（不要使用^ 和$ 锚点）添加到顶部的正则表达式可能就足够了帖子。