【问题标题】:Dplyr: Clean double-barrelled surnamesDplyr:干净的双管姓氏
【发布时间】:2022-01-02 03:03:34
【问题描述】:

我有一个如下名称的 data.frame,其中包含一些姓氏的样本,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"))

我想把那些双管姓的名字都抽出来,做一点清理:

  1. 拔出带有连字符 (-) 或两个姓氏(例如 Lopez Garcia)的任何名称。
  2. 我需要用 Lopez- 替换以下任何一项:Lopez Garcia MALopez-Garcia MAGarcia MAC加西亚 MSmith Dawson E 应该是 Smith-Dawson E.

输出如下:

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"))

【问题讨论】:

  • 名字后面是不是少了一个逗号?
  • 您只有这几个名字,还是这些名字只是大量不同名字的样本?
  • 坦率地说,您可能只需要每个名称的几个知名变体的映射表,它涵盖了数据集中的所有内容,唯一的例外是标点符号,您可以将其解析掉。
  • @HCAI 您可以手动定义一个名为mappingdata.frame,其中包含两列:Rep_Name,其中包含每个人的单个代表名称(如"Lopez-Garcia M");和Pattern,每个Name 包含一个regex(如"^(Lopez[- ]?)?Garcia( M(AC?)?)?$"),涵盖其所有变体。 fuzzyjoin::regex_join() 应该从那里解决问题:fuzzyjoin::regex_left_join(x = df, y = mapping, by = c("names" = "Pattern"))
  • @HCAI 另外,在这种情况下,我可能推荐stringdist 方法。每个名称不仅在拼写上有所不同,而且在结构上也有所不同。对于两个具有流行姓氏(例如)"Garcia"不同 人来说,两个结构相似的条目完全有可能比 上的两个不同结构的变体具有更短的字符串距离 名字。

标签: r dplyr stringr


【解决方案1】:

正如我在my comments 中提到的,这里的挑战不是解析 character 字符串,而是定义逻辑

  • 在代表标签("Lopez-Garcia M")下关联同名变体(例如"Garcia MAC""Lopez Garcia MA"); 仍然
  • 避免将不同名称(如"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mapping 表。

文字映射

文字映射涉及在其真正代表的名称旁边输入每个已知的变体。

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

拥有mapping 后,一个简单的dplyr::*_join() 就可以解决问题

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

正则表达式映射

如果您对regular expressions 足够熟练,您可以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?)?)?$

一旦你有了这个映射,你就需要一个fuzzyjoin::regex_*_join() 来匹配变体

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?)?)?$

警告

我也是commented,在这种情况下我可能推荐stringdist 方法。每个名称不仅拼写不同,结构也不同。两个不同人的两个结构相似的条目完全有可能

Variant True_Name
Garcia A Andy Garcia
Garcia MAC Lopez-Garcia M
Lopez-Garcia M Lopez-Garcia M

相同名称的两个不同结构的变体相比,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

【讨论】:

  • 非常感谢,这个很全面!当它可用时,我会发送一些赏金!
  • @HCAI 谢谢,非常感谢!
  • 哦,哇,@HCAI,这是一笔慷慨的赏金。谢谢!
猜你喜欢
  • 1970-01-01
  • 2023-01-23
  • 2016-02-22
  • 1970-01-01
  • 1970-01-01
  • 1970-01-01
  • 1970-01-01
  • 1970-01-01
  • 1970-01-01
相关资源
最近更新 更多