处理多个 grepl 语句中的关系

Question

我正在处理一项需要清除大量杂乱字符串数据的任务。
我已经解决了大多数问题，但遇到了两个问题：

1. 使用多个 grepl 语句时的关系
2. 我觉得可以简化很多代码，但我不知道如何简化

让我们考虑这个最小的例子：

names 是一个字符向量，存储了 3 个不同的人的名字，写法不同

names 应简化（重新编码），以便以相同方式存储多次出现的人名

让我们假设 Johnatan 是第一约翰，
约翰尼和约翰尼都是第二约翰，
John、John D.、John Doe 是第三约翰。

凭借我有限的R 知识，我得到了这个解决方案：

names <- c("John", "Johnatan", "Johnnie", "John D.", "John Doe", "johnnie")

names[grepl("johna", names, ignore.case = TRUE)] <- "First John"
names[grepl("johnn", names, ignore.case = TRUE)] <- "Second John"
names[grepl("john d*", names, ignore.case = TRUE)] <- "Third John"

此时有john，我不知道如何重新编码为Third John

names[grepl("john", names, ignore.case = TRUE)]

将收集names 中的所有约翰。

问题：

我该如何处理这种关系，希望以某种方式，比我目前所写的更优雅？

感谢您的任何提示和建议。

Answer 1

您可以为"john" 使用单词边界 (\\b)：

names <- c("John", "Johnatan", "Johnnie", "John D.", "John Doe", "johnnie")
names2 = names

names2[grepl("johna", names, ignore.case = TRUE)] <- "First John"
names2[grepl("johnn", names, ignore.case = TRUE)] <- "Second John"
names2[grepl("john(\\b|\\sd.*)", names, ignore.case = TRUE)] <- "Third John"

或与case_when 来自dplyr：

library(dplyr)
names = case_when(grepl("johna", names, ignore.case = TRUE) ~ "First Join",
                  grepl("johnn", names, ignore.case = TRUE) ~ "Second Join",
                  grepl("john(\\b|\\sd.*)", names, ignore.case = TRUE) ~ "Third Join")

注意：

• \\b 匹配单词边界，可以是空格或标点符号。例如，johnatan 将不匹配，因为 john 跟在另一个字母 a 之后，而不是单词边界。

• \\s 匹配空格。

• d.* 匹配 d 后跟任何 (.) 零次以上。

• ( | ) 是匹配| 左侧或右侧的捕获组。

• john(\\b|\\sd.*) 匹配 john 后跟单词边界或空格后跟 d 以及任何零次或多次。因此匹配 "john"、"john d." 和 "john doe"（ignore.case = TRUE 处理这些情况）。

结果：

> names2
[1] "Third John"  "First John"  "Second John" "Third John"  "Third John"  "Second John"

Answer 2

temp = c(Johnatan = "First John", johnnie = "Second John", John = "Third John")
temp[apply(X = sapply(names(temp),
                 function(x) grepl(pattern = x,
                                   x = names,
                                   ignore.case = TRUE)),
      MARGIN = 1,
      FUN = function(x) head(which(x), 1))]
#         John      Johnatan       johnnie          John          John       johnnie 
# "Third John"  "First John" "Second John"  "Third John"  "Third John" "Second John"