使用 dplyr、tidyr 和 regex 将不同的名称组合分隔到第一个和最后一个答案

【问题标题】：separate different combinations of names to first and last using dplyr, tidyr, and regex使用 dplyr、tidyr 和 regex 将不同的名称组合分隔到第一个和最后一个
【发布时间】：2016-11-01 15:53:26
【问题描述】：

示例数据框：

name <- c("Smith John Michael","Smith, John Michael","Smith John, Michael","Smith-John Michael","Smith-John, Michael")
df <- data.frame(name)

df
                 name
1  Smith John Michael
2 Smith, John Michael
3 Smith John, Michael
4  Smith-John Michael
5 Smith-John, Michael

我需要实现以下期望的输出：

                 name first.name  last.name
1  Smith John Michael       John      Smith
2 Smith, John Michael       John      Smith
3 Smith John, Michael    Michael Smith John
4  Smith-John Michael    Michael Smith-John
5 Smith-John, Michael    Michael Smith-John

规则是：如果字符串中有逗号，则前面的任何内容都是姓氏。逗号后面的第一个单词是名字。如果字符串中没有逗号，则第一个单词是姓氏，第二个单词是姓氏。带连字符的词是一个词。我宁愿使用 dplyr 和正则表达式来实现这一点，但我会采取任何解决方案。感谢您的帮助

【问题讨论】：

见stackoverflow.com/questions/7069076/…

标签： r regex dplyr tidyr stringr

【解决方案1】：

您可以使用strsplit 根据name 中是否有逗号在"," 或" " 之间切换来达到您想要的结果。在这里，我们定义了两个函数以使演示更清晰。您也可以在函数中内联代码。

get.last.name <- function(name) {
  lapply(ifelse(grepl(",",name),strsplit(name,","),strsplit(name," ")),`[[`,1)
}

strsplit 的结果是一个列表。 lapply(...,'[[',1) 循环遍历此列表并从每个列表元素中提取第一个元素，即姓氏。

get.first.name <- function(name) {
  d <- lapply(ifelse(grepl(",",name),strsplit(name,","),strsplit(name," ")),`[[`,2)
  lapply(strsplit(gsub("^ ","",d), " "),`[[`,1)
}

除了我们从strsplit 返回的每个列表元素中提取第二个元素之外，此函数类似，其中包含第一个名称。然后，我们使用gsub 删除所有起始空格，并再次使用" " 拆分，以从strsplit 返回的每个列表元素中提取第一个元素作为名字。

将所有内容与dplyr 放在一起：

library(dplyr)
res <- df %>% mutate(first.name=get.first.name(name),
                     last.name=get.last.name(name))

结果如预期：

print(res)
##                  name first.name  last.name
## 1  Smith John Michael       John      Smith
## 2 Smith, John Michael       John      Smith
## 3 Smith John, Michael    Michael Smith John
## 4  Smith-John Michael    Michael Smith-John
## 5 Smith-John, Michael    Michael Smith-John

数据：

df <- structure(list(name = c("Smith John Michael", "Smith, John Michael", 
"Smith John, Michael", "Smith-John Michael", "Smith-John, Michael"
)), .Names = "name", row.names = c(NA, -5L), class = "data.frame")
##                 name
##1  Smith John Michael
##2 Smith, John Michael
##3 Smith John, Michael
##4  Smith-John Michael
##5 Smith-John, Michael

【讨论】：

【解决方案2】：

我不确定这是否比 aichao 的答案更好，但我还是试了一下。我给出了正确的输出。

df1 <- df %>% 
  filter(grepl(",",name)) %>%
  separate(name, c("last.name","first.middle.name"), sep = "\\,", remove=F) %>% 
  mutate(first.middle.name = trimws(first.middle.name)) %>%
  separate(first.middle.name, c("first.name","middle.name"), sep="\\ ",remove=T) %>%
  select(-middle.name)

df2 <- df %>%
  filter(!grepl(",",name)) %>%
  separate(name, c("last.name","first.name"), sep = "\\ ", remove=F)

df<-rbind(df1,df2)

【讨论】：