- html - 出于某种原因,IE8 对我的 Sass 文件中继承的 html5 CSS 不友好?
- JMeter 在响应断言中使用 span 标签的问题
- html - 在 :hover and :active? 上具有不同效果的 CSS 动画
- html - 相对于居中的 html 内容固定的 CSS 重复背景?
我有一个 data.frame 名称,如下所示,其中有一些姓氏的样本,后跟一个首字母(例如 Smith S 或 Lopez-Garcia M):
df<-data.frame(names=c("Adu-Amankwah E",
"Smith Dawson E",
"Lopez-Garcia M",
"Lopez Garcia MA",
"Garcia MAC",
"Lopez Garcia MA",
"Garcia MAC"))
我想把那些双管齐下的姓氏全部拉出来,稍微清理一下:
输出看起来像:
df<-data.frame(names=c("Adu-Amankwah E",
"Smith-Dawson E",
"Lopez-Garcia M",
"Lopez-Garcia M",
"Lopez-Garcia M",
"Lopez-Garcia M",
"Lopez-Garcia M"))
最佳答案
正如我在 my comments 中提到的,这里的挑战与其说是解析 character
字符串,不如说是将逻辑定义为
"Lopez-Garcia M "
); 仍然“Andy Garcia”
)的相似变体(如 “Garcia A”
)混为一谈。因此,您最好的方法可能是为名称的已知变体定义一个映射
表。
文字映射涉及在其真正代表的名称旁边键入每个已知变体。
mapping_lit <- data.frame(
True_Name = c("Adu-Amankwah E", "Smith-Dawson E", "Lopez-Garcia M", "Lopez-Garcia M", "Lopez-Garcia M"),
Variant = c("Adu-Amankwah E", "Smith Dawson E", "Lopez-Garcia M", "Lopez Garcia MA", "Garcia MAC")
)
mapping_lit
#> True_Name Variant
#> 1 Adu-Amankwah E Adu-Amankwah E
#> 2 Smith-Dawson E Smith Dawson E
#> 3 Lopez-Garcia M Lopez-Garcia M
#> 4 Lopez-Garcia M Lopez Garcia MA
#> 5 Lopez-Garcia M Garcia MAC
一旦您有了映射
,一个简单的dplyr::*_join()
应该可以解决问题
library(dplyr)
# The LEFT JOIN preserves any names without matches, so you can handle them as you wish.
left_join(
df,
mapping_lit,
by = c("names" = "Variant")
)
结果如下:
names True_Name
1 Adu-Amankwah E Adu-Amankwah E
2 Smith Dawson E Smith-Dawson E
3 Lopez-Garcia M Lopez-Garcia M
4 Lopez Garcia MA Lopez-Garcia M
5 Garcia MAC Lopez-Garcia M
6 Lopez Garcia MA Lopez-Garcia M
7 Garcia MAC Lopez-Garcia M
如果您对 regular expressions 足够熟练,您可以只定义一个正则表达式来表示每个 True_Name
上的所有变体:
mapping_rgx <- data.frame(
True_Name = c("Adu-Amankwah E", "Smith-Dawson E", "Lopez-Garcia M"),
Pattern = c("^(Adu[- ]?)?Amankwah( E)?$", "^(Smith[- ]?)?Dawson( E)?$", "^(Lopez[- ]?)?Garcia( M(AC?)?)?$")
)
mapping_rgx
#> True_Name Pattern
#> 1 Adu-Amankwah E ^(Adu[- ]?)?Amankwah( E)?$
#> 2 Smith-Dawson E ^(Smith[- ]?)?Dawson( E)?$
#> 3 Lopez-Garcia M ^(Lopez[- ]?)?Garcia( M(AC?)?)?$
有了这个映射后,您将需要一个 fuzzyjoin::regex_*_join()
匹配变体
library(fuzzyjoin)
# The LEFT JOIN preserves any names without matches, so you can handle them as you wish.
regex_left_join(
df,
mapping_rgx,
by = c("names" = "Pattern"),
# Account for typos in capitalization.
ignore_case = TRUE
)
结果如下:
names True_Name Pattern
1 Adu-Amankwah E Adu-Amankwah E (Adu[- ]?)?Amankwah( E)?
2 Smith Dawson E Smith-Dawson E (Smith[- ]?)?Dawson( E)?
3 Lopez-Garcia M Lopez-Garcia M ^(Lopez[- ]?)?Garcia( M(AC?)?)?$
4 Lopez Garcia MA Lopez-Garcia M ^(Lopez[- ]?)?Garcia( M(AC?)?)?$
5 Garcia MAC Lopez-Garcia M ^(Lopez[- ]?)?Garcia( M(AC?)?)?$
6 Lopez Garcia MA Lopez-Garcia M ^(Lopez[- ]?)?Garcia( M(AC?)?)?$
7 Garcia MAC Lopez-Garcia M ^(Lopez[- ]?)?Garcia( M(AC?)?)?$
我也是commented ,我可能不会推荐 stringdist
在这种情况下的方法。每个名字不仅在拼写上不同,而且在结构上也不同。两个不同人的两个结构相似的条目完全有可能
与相同名称上的两个不同结构变体相比,字符串距离更短:
# Run the full gamut of methods for 'stringdist::stringdist()'.
methods <- c(
"osa", "lv", "dl", "hamming", "lcs", "qgram",
"cosine", "jaccard", "jw", "soundex"
)
# Display string distances for variants of the same and of different names:
rbind(
# Compare different names.
sapply(X = methods, FUN = function(x) {stringdist::stringdist(
a = "Garcia MAC", b = "Garcia A",
method = x
)}),
# Compare variations on the same name.
sapply(X = methods, FUN = function(x) {stringdist::stringdist(
a = "Garcia MAC", b = "Lopez-Garcia M",
method = x
)})
)
#> osa lv dl hamming lcs qgram cosine jaccard jw soundex
#> [1,] 2 2 2 Inf 2 2 0.08712907 0.2222222 0.06666667 1
#> [2,] 8 8 8 Inf 8 8 0.27831216 0.5333333 0.20952381 1
关于r - Dplyr:清洁双管姓氏,我们在Stack Overflow上找到一个类似的问题: https://stackoverflow.com/questions/70083962/
我有以下数据框: library(dplyr) df % rename_all(funs(stringr::str_replace_all(., "gh", "v"))) 我想结合使用 renam
我有以下数据框: library(dplyr) df % rename_all(funs(stringr::str_replace_all(., "gh", "v"))) 我想结合使用 renam
我有一个数据( df_1 ): df_1 % select_at(.vars = 'var_1') var_1 1 99.47262 10 25.91552 没关系。但: df_1
我正在尝试安装dplyr软件包,但收到一条错误消息,提示“库(dplyr)中存在错误:没有名为dplyr的软件包”。我正在使用窗口系统和Ri386 3.5.2。我尝试按照其他人的建议使用代码insta
假设我想以并行方式申请 myfunction到 myDataFrame 的每一行.假设 otherDataFrame是一个包含两列的数据框:COLUNM1_odf和 COLUMN2_odf出于某些原因
我目前正在构建一个包,我想知道是否有办法调用 %>%来自 dplyr 的操作符,而无需实际附加 dplyr 包。例如,对于从包中导出的任何函数,您可以使用双冒号 ( :: ) 调用它。所以如果我想使用
library(dplyr) mtcars %>% group_by(vs) %>% do(tt=t.test(mpg~am, data=.)) %>% mutate(t=tt$statist
我正在尝试为一组标准曲线构建一系列线性模型。 目前这段代码正在产生我想要的输出(每个线性模型的截距和斜率): slopes % group_by(plate, col, row, conc_ug_mL
我正在寻找替换我的一些使用 dplyr::do 的 R 代码,因为这个函数很快就会被弃用。我的很多工作都需要创建分层 CDF 图。使用 dply:do 时,我分层的变量作为变量传递给结果数据框,然后我
问题 我正在尝试使用 dplyr::mutate()和 dplyr::case_when()在数据框中创建新的数据列,该列使用存储在另一个对象(“查找列表”)中的数据填充,并基于数据框中列中的信息。
最近我发现了很棒的 dplyr.spark.hive启用 dplyr 的软件包前端操作 spark或 hive后端。 在包的 README 中有关于如何安装此包的信息: options(repos =
我正在尝试在 dplyr 链中使用 data.frame 两次。这是一个给出错误的简单示例 df % group_by(Type) %>% summarize(X=n()) %>% mu
当我浏览答案时 here , 我找到了 this solution与 data.frame 完全符合预期. library(dplyr) # dplyr_0.4.3 library(data.tab
我的数据来自一个数据库,根据我运行 SQL 查询的时间,该数据库可能包含一周到另一周不同的 POS 值。 不知道哪些值将在变量中使得自动创建报告变得非常困难。 我的数据如下所示: sample % p
我想定义与“扫帚”包中类似的功能 library(dplyr) library(broom) mtcars %>% group_by(am) %>% do(model = lm(mpg ~ w
set.seed(123) df % group_by(id) %>% mutate(roll.sum = c(x[1:4], zoo::rollapply(x, 5, sum))) # Groups
先来个样本数据 set.seed(123) dat 1 -4 2 6 3 -2 4
我有一个带列的数据框 x1, x2, group我想生成一个带有额外列的新数据框 rank表示x1的顺序在其组中。 有相关问题here ,但已接受的答案似乎不再有效。 到这里为止,很好: librar
我有一个示例 df,如下所示: d% group_by(CaseNo) %>% arrange(desc(Submissiondate)) %>% dplyr::mutate(rank = row_n
我有一个数据框,其中包含一些数据输入错误。 我希望将每组的这些异常值替换为每组最常见的值。 我的数据如下: df % group_by(CODE) %>% mutate(across(c(DOSAGE
我是一名优秀的程序员,十分优秀!