使用 R 以混合格式解析名称答案

【问题标题】：Parsing names in mixed formats using R使用 R 以混合格式解析名称
【发布时间】：2017-08-30 14:35:13
【问题描述】：

我有一个混合格式的名称列表，我想将其分成包含 R 中名字和姓氏的列。示例数据集：

Names <- c("Mary Smith","Hernandez, Maria","Bonds, Ed","Michael Jones")

我们的目标是组装一个包含如下格式名称的数据框：

FirstNames <- c("Mary","Maria","Ed","Michael")
LastNames <- c("Smith","Hernandez","Bonds","Jones")
FinalData <- data.frame (FirstNames, LastNames)

我尝试了几种方法来选择名字或姓氏，具体取决于名称是仅由空格还是逗号空格分隔。例如，我想在 gsub 中使用正则表达式从逗号空格分隔名称的行中复制名字：

FirstNames2 <- gsub (".*,\\s","",Names)

这适用于包含 LastName, FirstName 格式的名称的行，但 gsub 将所有内容收集在具有 FirstName LastName 格式的名称的行中。

所以我的帮助请求是请告知：您将如何解决这个问题？在此先感谢大家！

【问题讨论】：

是“LastName, FirstName”格式的带逗号总是的名字吗？或者他们可以切换吗？
在我的列表中，它们始终采用姓氏、名字的格式。但是，如果我们能找到一种方法来处理这两种变化，它可能会对其他人有所帮助。谢谢！

标签： r regex text-mining

【解决方案1】：

这里是单线。该模式首先尝试 Firstname lastname，如果失败，它会尝试 lastname, firstname。没有使用任何包。

read.table(text = sub("(\\w+) (\\w+)|(\\w+), (\\w+)", "\\1\\4 \\2\\3", Names), as.is=TRUE)

给予：

       V1        V2
1    Mary     Smith
2   Maria Hernandez
3      Ed     Bonds
4 Michael     Jones

【讨论】：

好的，所以我从中学到的东西和 drmariod 的答案是使用转义数字来指示正则表达式中的“捕获”组。正确的？谢谢！
是的，“\\1”、“\\2”等是反向引用，(...) 是捕获组。

【解决方案2】：

您可以将 , 版本重新排列为第一个姓氏，然后只是 strsplit。

FirstNames <- sapply(strsplit(gsub('(\\w+), (\\w+)', '\\2 \\1', Names), ' '), `[[`, 1)
LastNames <- sapply(strsplit(gsub('(\\w+), (\\w+)', '\\2 \\1', Names), ' '), `[[`, 2)

【讨论】：

【解决方案3】：

temp = strsplit(x = Names, split = "(, | )")
do.call(rbind, lapply(1:length(temp), function(i){
    if (grepl(pattern = ", ", x = Names[i])){
        data.frame(F = temp[[i]][2], L = temp[[i]][1])
    }else{
        data.frame(F = temp[[i]][1], L = temp[[i]][2])
    }
}))
#        F         L
#1    Mary     Smith
#2   Maria Hernandez
#3      Ed     Bonds
#4 Michael     Jones

【讨论】：