r - 从字符串到正则表达式再到新字符串

Question

我有一个数据框，其中包含一列杂乱的字符串。每个杂乱的字符串都包含其中某处的单个国家/地区的名称。这是一个玩具版本:

df <- data.frame(string = c("Russia is cool (2015) ",
                            "I like - China",
                            "Stuff happens in North Korea"),
                 stringsAsFactors = FALSE)

感谢 countrycode 包，我还有第二个数据集，其中包含两个有用的列:一个包含国家名称的正则表达式 (regex)，另一个包含相关的国家名称(country.name)。我们可以像这样加载这个数据集:

library(countrycode)
data(countrycode_data)

我想编写代码，使用 countrycode_data$regex 中的正则表达式来识别 df$string 每一行中的国家/地区名称；将该正则表达式与 countrycode_data$country.name 中的正确国家名称相关联；最后，将该名称写入新列 df$country 中的相关位置。执行此 TBD 操作后，df 将如下所示:

                        string                                country
1       Russia is cool (2015)                      Russian Federation
2               I like - China                                  China
3 Stuff happens in North Korea Korea, Democratic People's Republic of

我不太清楚如何做到这一点。我已经尝试使用 grepl、which、tolower 和 %in% 的各种组合，但我弄错方向或尺寸(或两者)。

Answer 1

这正是 countrycode 包的目的，所以没有理由自己重新编码。就像这样使用它......

library(countrycode)
df <- data.frame(string = c("Russia is cool (2015) ", "I like - China",
                            "Stuff happens in North Korea"), stringsAsFactors = FALSE)

df$country.name <- countrycode(df$string, 'country.name', 'country.name')

特别是在这种情况下，它不会找到“Stuff happens in North Korea”的明确匹配项，但这实际上是朝鲜和韩国正则表达式的问题(我在这里打开了一个问题 https://github.com/vincentarelbundock/countrycode/issues/139 ) .否则，您想要做的事情原则上应该可行。

(特别针对@ulfelder 的旁注:新版本的countrycode 刚刚在CRAN 上发布，v0.19。自从我们添加了新语言以来，列名称发生了一些变化，因此 country.name 现在是 country.name.en，regex 现在是 country.name.en.regex)