r - 为 Mechanical Turk 清理文本？

Question

是否有预先存在的功能来为 Mechanical Turk 清理 data.frame 的字符列？这是它挂断的线路示例:

x <- "Duke\U3e32393cs B or C, no concomittant malignancy, ulcerative colitis, Crohn\U3e32393cs disease, renal, heart or liver failure"

我假设这些是 unicode 字符，但 MT 不让我继续处理它们。显然，我可以很容易地用正则表达式表达这些内容，但我使用 MT 的次数还不错，并希望有一个更通用的解决方案来删除所有非 ascii 字符。

编辑

我可以删除编码如下:

> iconv(x,from="UTF-8",to="latin1",sub=".")
[1] "Duke......s B or C, no concomittant malignancy, ulcerative colitis, Crohn......s disease, renal, heart or liver failure"

但这仍然让我缺乏针对对任何元素使用非 utf8 编码的矢量的更通用的解决方案。

> dput(vec)
c("Colorectal cancer patients Duke\U3e32393cs B or C, no concomittant malignancy, ulcerative colitis, Crohn\U3e32393cs disease, renal, heart or liver failure", 
"Patients with Parkinson\U3e32393cs Disease not already on levodopa", 
"hi")

请注意，常规文本编码为“未知”，无法转换为“latin1”，因此使用 iconv 的简单解决方案会失败。我在下面尝试了一种更细微的解决方案，但我对此不是很满意。

Answer 1

尝试回答我自己的问题，希望有人有更好的方法，因为我不相信这会处理所有时髦的文本:

sanitize.text <- function(x) {
  stopifnot(is.character(x))
  sanitize.each.element <- function(elem) {
    ifelse(
      Encoding(elem)=="unknown",
      elem,
      iconv(elem,from=as.character(Encoding(elem)),to="latin1",sub="")
    )
  }
  x <- sapply(x, sanitize.each.element)
  names(x) <- NULL
  x
}

> sanitize.text(vec)
[1] "Colorectal cancer patients Dukes B or C, no concomittant malignancy, ulcerative colitis, Crohns disease, renal, heart or liver failure"
[2] "Patients with Parkinsons Disease not already on levodopa"                                                                              
[3] "hi"   

---

还有一个函数来处理 MT 的其他导入怪癖:

library(taRifx)
write.sanitized.csv <- function( x, file="", ... ) {
  sanitize.text <- function(x) {
    stopifnot(is.character(x))
    sanitize.each.element <- function(elem) {
      ifelse(
        Encoding(elem)=="unknown",
        elem,
        iconv(elem,from=as.character(Encoding(elem)),to="latin1",sub="")
      )
    }
    x <- sapply(x, sanitize.each.element)
    names(x) <- NULL
    x
  }
  x <- japply( df=x, sel=sapply(x,is.character), FUN=sanitize.text)
  colnames(x) <- gsub("[^a-zA-Z0-9_]", "_", colnames(x) )
  write.csv( x, file, row.names=FALSE, ... )
}

编辑

由于没有更好的地方放置此代码，您可以找出字符向量的哪个元素导致了问题，即使是上面的函数也无法解决问题，例如:

#' Function to locate a non-ASCII character
#' @param txt A character vector
#' @return A logical of length length(txt) 
locateBadString <- function(txt) {
  vapply(txt, function(x) {
    class( try( substr( x, 1, nchar(x) ) ) )!="try-error"
  }, TRUE )
}

编辑2

我认为这应该可行:

iconv(x, to = "latin1", sub="")

感谢@Masoud 的回答:https://stackoverflow.com/a/20250920/636656