r - 从列中提取国家名称(或其他实体)

Question

我有一个 data.frame 在 location 列中包含国家和城市，我想通过与 world.cities$ 匹配来提取前者country.etc 来自 library(maps) 的数据框(或任何其他国家/地区名称集合)。

考虑这个例子:

df <- data.frame(location = c("Aarup, Denmark",
                              "Switzerland",
                              "Estonia: Aaspere"),
                 other_col = c(2,3,4))

我尝试使用此代码

df %>% extract(location,
               into = c("country", "rest_location"),
               remove = FALSE,
               function(x) x[which x %in% world.cities$country.etc])

但是我没有成功；我期待这样的事情:

          location other_col     country rest_location
1   Aarup, Denmark         2     Denmark       Aarup, 
2      Switzerland         3 Switzerland              
3 Estonia: Aaspere         4     Estonia     : Aaspere

Answer 1

我们可以通过将所有国家/地区名称粘贴在一起来创建一个模式，并使用 str_extract_all 获取所有与 location 中的模式匹配的国家/地区名称并删除其中的单词匹配国家名称以获取 rest_location。

library(maps)
library(stringr)

all_countries <- str_c(unique(world.cities$country.etc), collapse = "|")
df$country <- sapply(str_extract_all(df$location, all_countries), toString)
df$rest_location <- str_remove_all(df$location, all_countries)
#OR can also do
#df$rest_location <- str_remove_all(df$location, df$country)

df
#          location other_col     country rest_location
#1   Aarup, Denmark         2     Denmark       Aarup, 
#2      Switzerland         3 Switzerland              
#3 Estonia: Aaspere         4     Estonia     : Aaspere

对country使用sapply和toString，因为如果location有多个国家名称，它们都会连接在一个字符串中。