R中的替换规则（字符串模式匹配）

Question

我知道在这个论坛上可能会提出类似的问题，但我觉得我的要求很特殊。 我有一个数据框，其中有一列具有以下值。 下面是刚刚的样本，它包含 1000 多个观察结果

报告的条款

"2 Left Axillary Lymph Nodes Resection"             
"cardyoohyper"                                      
"Ablation Breast"                                    
"Hypercarido"                                       
"chordiohyper"                                       
"Adenocarcinoma Of Colon (Radical Resection And Cr)"
"myocasta"
"hypermyopa"

我有另一个具有以下规则的数据框：

数据框

我期待以下输出：

"2 Left Axillary Lymph Nodes Resection"             
"carddiohiper"                                      
"Ablation Breast"                                    
"hipercardio"                                       
"cardiohyper"                                       
"Adenocarcinoma Of Colon (Radical Resection And Cr)"
"miocasta"
"hipermiopa"

我正在尝试使用 gsub 函数进行热编码，但我知道这需要很长时间。

pattern <- c("kardio, "carido", "cardyo", "cordio", "chordio")
replacement <- "cardio"
gusub(pattern,replacement,df$reportedterms)

使用上述方法，我需要每次对每个规则进行编码，并且每次都需要为 gsub 函数中的模式和替换创建不同的变量。

有解决这个问题的简单方法吗？

Answer 1

首先让我们按照您的描述进行设置：

library(tibble)

df <- tibble(text = c("2 Left Axillary Lymph Nodes Resection",
                      "cardyoohyper",
                      "Ablation Breast",
                      "Hypercarido",
                      "chordiohyper",
                      "Adenocarcinoma Of Colon (Radical Resection And Cr)",
                      "myocasta",
                      "hypermyopa"))

replace_dict <- tibble(pattern = list(c("kardio", "carido", "cardyo", "cordio", "chordio"), 
                                      "myoca",
                                      "myopa",
                                      "hyper"),
                       replacement = c("cardio", 
                                       "mioca",
                                       "miopa",
                                       "hiper"))

我会简单地使用stringi 来完成任务，因为它有一个非常有效的gsub 版本，即stri_replace_all_fixed（请注意，您也可以使用正则表达式版本，它有点慢但工作方式相同） .它可以同时处理多个模式和替换，所以我们需要做的就是先取消模式列，然后运行stringi：

batch_replace <- function(text, replace_dict) {

  replace_dict <- tidyr::unnest(replace_dict, pattern) 

  stringi::stri_replace_all_fixed(str = text, 
                                  pattern = replace_dict$pattern, 
                                  replacement = replace_dict$replacement, 
                                  vectorize_all = FALSE)
}

让我们测试一下这个函数：

df$text_new <- batch_replace(df$text, replace_dict)
df
#> # A tibble: 8 x 2
#>   text                                 text_new                            
#>   <chr>                                <chr>                               
#> 1 2 Left Axillary Lymph Nodes Resecti~ 2 Left Axillary Lymph Nodes Resecti~
#> 2 cardyoohyper                         cardioohiper                        
#> 3 Ablation Breast                      Ablation Breast                     
#> 4 Hypercarido                          Hypercardio                         
#> 5 chordiohyper                         cardiohiper                         
#> 6 Adenocarcinoma Of Colon (Radical Re~ Adenocarcinoma Of Colon (Radical Re~
#> 7 myocasta                             miocasta                            
#> 8 hypermyopa                           hipermiopa

我想这就是你想要的。请注意，该功能不是很灵活，因为您必须完全按照所示方式提供stri_replace_all_fixed。由于您尚未共享文件，因此我无法帮助您解决该表单，因此您必须弄清楚这一点或提出一个新问题。

更新

如果您希望替换不区分大小写并且还希望将文本小写，则该函数可能如下所示：

batch_replace <- function(text, replace_dict, to_lower = TRUE, case_insensitive = TRUE) {

  replace_dict <- tidyr::unnest(replace_dict, pattern) 

  if (to_lower) {
    text <- tolower(text)
  }

  stringi::stri_replace_all_fixed(str = text, 
                                  pattern = replace_dict$pattern, 
                                  replacement = replace_dict$replacement, 
                                  vectorize_all = FALSE,
                                  opts_fixed = stringi::stri_opts_fixed(case_insensitive = case_insensitive))
}

您可以根据需要打开/关闭小写字母和不区分大小写的替换。