在R中格式化不寻常的（名字和姓氏）字符串答案

【问题标题】：Formatting unusual (First and last Name) character strings in R在R中格式化不寻常的（名字和姓氏）字符串
【发布时间】：2016-08-09 11:41:13
【问题描述】：

我的字符串如下所示：

MLB$Name[1:6]
[1] "Wil Myers"   "Cory Spangenberg*"   "Alexei Ramirez #"   "Yangervis Solarte# (15-day dl)"   "Melvin Upton Jr."   "Travis d'Arnaud"

如您所见，这些字符串包含括号()、星号* 和其他不常见的字符（#、d'Arnaud）。我正在从棒球网站上抓取这些内容，但它们并没有以友好的可用方式出现。我想要捕获的只是名字和姓氏，名字被缩写（后面有一个句点），然后是姓氏。我不想要任何常用字符，或名称后面的 (15-day dl) 或 Jr.

我希望我的字符串看起来像这样：

MLB$NameFormatted[1:6]
[1] "W. Myers"   "C. Spangenberg"   "A. Ramirez"   "Y. Solarte"   "M. Upton"               "T. d'Arnaud"

我问的上一个问题得到了一个答案，该答案能够成功地将我的字符串仅包含名字和姓氏，并将它们格式化为您在上面看到的这种形式，但是，额外的奇怪字符和诸如 * 之类的东西， # 和 15-day dl 导致此解决方案出现问题（预期）。以下代码仅用于格式化名字和姓氏：

sub("^(.)\\S+(\\s+.*)$", "\\1.\\2", MLB$Names)

非常感谢您的帮助 - 我是 R 新手，我正在尝试用棒球统计数据做一些非常有趣的事情。感谢您的宝贵时间！

【问题讨论】：

例如sapply(strsplit(gsub("[^[:alpha:][:blank:]']", "", x), " "), function(x) {paste0(substr(x[1], 1, 1), ". ", x[2]) })?

标签： r regex character string-formatting

【解决方案1】：

这样做：

MLB$NameFormatted = sub("([A-Za-z])[A-Za-z']* ([A-Za-z' -]+[A-Za-z]+).*",'\\1. \\2', MLB$Name)

...以及正确处理“Ryan Rowland-Smith”和“Valerio de los Santos”等麻烦制造者

样本输出：

[1] "W. Myers" "C. Spangenberg" "A. Ramirez " "Y. Solarte" "M. Upton Jr"
[6] "T. d'Arnaud" "R. Rowland-Smith" "V. de los Santos"

【讨论】：