将嵌入其他文本的长状态名称转换为两个字母的状态缩写答案

【问题标题】：Convert long state names embedded with other text to two-letter state abbreviations将嵌入其他文本的长状态名称转换为两个字母的状态缩写
【发布时间】：2020-08-10 18:14:35
【问题描述】：

我的目标是识别写在具有其他文本的字符向量中的美国各州，并将各州转换为缩写形式。例如，“北卡罗来纳”到“NC”。如果向量只有长格式的状态名称，这很简单。但是，我的向量在随机位置有其他文本，例如“状态”示例。

states <- c("Plano New Jersey", "NC", "xyz", "Alabama 02138", "Texas", "Town Iowa 99999")

从另一篇文章中我发现了这个：

state.abb[match(states, state.name)]

但它只转换独立的德州

> state.abb[match(states, state.name)]
[1] NA   NA   NA   NA   "TX"

而不是新泽西州、阿拉巴马州和爱荷华州的字符串。

来自Fast grep with a vectored pattern or match, to return list of all matches 我试过了：

sapply(states, grep(pattern = state.name, x = states, value = TRUE))

但是

Error in get(as.character(FUN), mode = "function", envir = envir) : 
  object 'Alabama 02138' of mode 'function' was not found
In addition: Warning message:
In grep(pattern = state.name, x = states, value = TRUE) :
  argument 'pattern' has length > 1 and only the first element will be used

这也不起作用：

sapply(states, function(x) state.abb[grep(state.name, states)])

这个问题没有帮助： regular expression to convert state names to abbreviations

如何将嵌入的长名称转换为州缩写？

编辑：我想返回向量，唯一的变化是州的长名称已被缩写，例如，“Plano New Jersey”变为“Plano NJ”。

感谢您纠正和/或教育我。

【问题讨论】：

您可能会从中得到“纽约，纽约”，此外还有称为“加利福尼亚”的城镇以及州。但是，这对你来说是挑剔的。
@Jonathan Leffler：是的，称为州的城镇是一种职业危害。另外，我的城市不止一个州。叹。为什么数据表现不佳？
有一个叫做“真实世界”™的东西，你应该在某个时候访问它（“亲爱的水壶 - 你是黑人！签名，锅”）。它有一个讨厌的习惯，与我们这些编写程序的人设计的整洁方案背道而驰。
最好在网上搜索“城市，州”名称的表格并将其读入 R 进行匹配。
@RichardScriven：好点。我在维基百科上找到了 394 个这样的城市，ST 匹配，创建了一个数据框，也可以使用它。例如，我仍在努力分配哥伦布，因为在几个州都有同名的城市。

标签： r regex

【解决方案1】：

这是另一种方法：

library(qdap)
mgsub(state.name, state.abb, states)

## [1] "Plano NJ"      "NC"            "xyz"           "AL 02138"      
## "TX"            "Town IA 99999"

如果您不确定州是否会大写，您可能需要使用：

mgsub(state.name, state.abb, states, ignore.case=TRUE, fixed=FALSE)

【讨论】：

【解决方案2】：

试试：

indx <- paste0(".*(", paste(state.name, collapse="|"), ").*")
v1 <- gsub(indx, "\\1", states)
ifelse( v1 %in% state.abb, v1, state.abb[match(v1, state.name)])
#[1] "NJ" "NC" NA   "AL" "TX" "IA"

如果您只想用缩写而不是其他文本替换状态，您也可以这样做：

indx1 <- paste(state.name, collapse="|")   
indx2 <- state.abb[match(v1, state.name)]

mapply(gsub, indx1, indx2, states, USE.NAMES=F)
#[1] "Plano NJ"      "NC"            "xyz"           "AL 02138"     
#[5] "TX"            "Town IA 99999"

【讨论】：

我注意到这会将每个匹配状态替换为 alfabet 中首先出现的状态的缩写。例如，输入 "Texas Alabama" 将导致 "AL AL"。有没有办法避免这种情况？
@EricBouwers 在 OP 提供的示例中，情况并非如此。所以，我没有那样检查它

【解决方案3】：

从问题中不清楚预期结果是什么，但在这里我们假设您希望保留输入中的文本，只需用缩写替换完整的状态名称。

创建一个列表st，其名称是完整的州名，其值是缩写。然后使用 paste(..., collapse = "|") 创建一个匹配任何状态的正则表达式，并使用 gsubfn 包中的 gsubfn 执行替换。

library(gsubfn)
st <- as.list(setNames(state.abb, state.name))
gsubfn(paste(state.name, collapse = "|"), st, states)

给予：

[1] "Plano NJ"      "NC"            "xyz"           "AL 02138"     
[5] "TX"            "Town IA 99999"

【讨论】：

【解决方案4】：

如果您不想使用额外的包，您可以使用mapply 函数为所有state.name 和state.abb 对应用gsub，例如：

mapply(gsub,state.name,state.abb,"ALABAMA 123",ignore.case=TRUE,USE.NAMES=FALSE)

这样的结果是一个可以包含替换的列表，例如：

 [1] "AL 123"      "ALABAMA 123" "ALABAMA 123" "ALABAMA 123" "ALABAMA 123" 
 [6] ...

通过从此列表中获取最短的文本，您可以获得所需的结果。因此我们sort the list based on the length of the text 并取第一个元素。

完整代码：

replaceState <- function(x) {  
     v = mapply(gsub,state.name,state.abb,x,ignore.case=TRUE, USE.NAMES=FALSE)
     v[order(nchar(v))][1] 
}

sapply(states, replaceState, USE.NAMES=FALSE)

不幸的是，这种方法只替换了单个状态的名称（最长的）。要替换多个不同的状态，我们需要迭代，例如：

replaceState <- function(x) {  
     v = mapply(gsub,state.name,state.abb,x,ignore.case=TRUE, USE.NAMES=FALSE)
     v[order(nchar(v))][1] 
}

replaceStates <- function(x) {
     newX = replaceState(x)

     # if they are different a state has been replaced, 
     # we try again to replace all states.
     if(newX != x){ 
          replaceStates(newX)
     } else {
          newX
     }
}

# Note the 'replaceStates'
sapply(states, replaceStates, USE.NAMES=FALSE)

【讨论】：

【解决方案5】：

试试：

for(r in 1:nrow(states.list)) {
    states = gsub(states.list[r,1], states.list[r,2], states)
}

states
[1] "Plano NJ"      "NC"            "xyz"           "AL 02138"      "TX"            "Town IA 99999"

数据：

states <- c("Plano New Jersey", "NC", "xyz", "Alabama 02138", "Texas", "Town Iowa 99999")

states.list = structure(list(state.name = structure(c(4L, 1L, 5L, 2L, 3L), .Label = c("Alabama", 
"Iowa", "Minnesota", "New Jersey", "Texas"), class = "factor"), 
    state.abb = structure(c(4L, 1L, 5L, 2L, 3L), .Label = c("AL", 
    "IA", "MN", "NJ", "TX"), class = "factor")), .Names = c("state.name", 
"state.abb"), class = "data.frame", row.names = c(NA, -5L))

states.list
  state.name state.abb
1 New Jersey        NJ
2    Alabama        AL
3      Texas        TX
4       Iowa        IA
5  Minnesota        MN

【讨论】：