正则表达式正在运行，但代码看起来很糟糕

Question

我正在清理一长串名词短语以进行进一步的文本挖掘。它们应该是 1 或 2 个词的短语，但有些有 /在一个联合。这是我所拥有的:

library(tidyverse)
conjuncts <- tibble(usecase = 1:3,
                   classes = c("Insulators/Insulation",
                               "Optic/light fiber",
                               "Magnets"))

而且我要:

wanted <- tibble(usecase = c(1,1,2,2,3),
                 classes =  c("Insulators/Insulation",
                              "Insulators/Insulation",
                              "Optic/light fiber",
                              "Optic/light fiber",
                              "Magnets"),
                 bigrams = c("Insulators", "Insulation",
                             "Optic fiber", "Light fiber", NA))

我有一些工作，但它是可怕的和不可扩展的。

patternSplit <- function(class){
  regexs <- c("(?x) ^ (\\w+) / (\\w+) $",
              "(?x) ^ (\\w+) / (\\w+) \\s+ (\\w+) $")
  if(str_detect(class, regexs[1])){
    extr <- str_match(class, regexs[1])
    list(extr[1,2],
         extr[1,3]) 
  } else if(str_detect(class, regexs[2])){
    extr <- str_match(class, regexs[2])
    list(paste(extr[1,2], extr[1,4]), 
         paste(extr[1,3], extr[1,4])) 
  } else {
    list(NA_character_)
  }
}

anx <- conjuncts %>% 
  mutate(bigrams = map(classes, patternSplit)) %>% 
  unnest(cols = "bigrams") %>% 
  unnest(cols = "bigrams")

这给了我我想要的东西，但是 blecchh!

# A tibble: 5 x 3
  usecase classes               bigrams    
    <int> <chr>                 <chr>      
1       1 Insulators/Insulation Insulators 
2       1 Insulators/Insulation Insulation 
3       2 Optic/light fiber     Optic fiber
4       2 Optic/light fiber     light fiber
5       3 Magnets               NA         

前两个问题 (1) 我必须运行 rexex 两次 - 一次是 str_detect获得 if / else 的逻辑再次使用 str_match拉出 token 。 (2) 我已经做了双 unnest展开列表结构。还有更小的问题(3)我能摆脱 if / else吗？ , 进入 case_when或 switch ?

我最终会将其扩展到大约十几种模式和用例。

Answer 1

这是使用 / 的解决方案作为检测词组的分隔符，然后使用 ifelse 得到想要的结果:

patternSplit<- function(x,p="[A-z]+[/][A-z]+"){
  x1<- stringr::str_extract(x,p)
  x2<- stringr::str_replace(x,p,"")
  return(cbind(val1=x1,val2=x2))
}

conjuncts<- cbind(conjuncts,conjuncts$classes %>% patternSplit()) %>% 
  tidyr::separate_rows(val1, sep = '/') %>% 
  dplyr::mutate(bigrams= ifelse(!is.na(val1),paste0(val1,val2),val1)) %>%
  dplyr::select(-contains("val"))

conjuncts
  usecase               classes     bigrams
1       1 Insulators/Insulation  Insulators
2       1 Insulators/Insulation  Insulation
3       2     Optic/light fiber Optic fiber
4       2     Optic/light fiber light fiber
5       3               Magnets        <NA>