协助删除字符串列的各个部分答案

【问题标题】：Assistance on removing sections of a string column协助删除字符串列的各个部分
【发布时间】：2017-07-20 00:56:24
【问题描述】：

我有城市名称的数据，伦敦、伦敦、纽约、纽约等。

但我也有<c3><U+119B>London, M<c3><U+1193>New York 形式的数据，为了让事情更复杂一点，我有一些行，其值例如London<c3><U+1193>OL, Sydney<c3><U+0087>NL and London(Westminster)，Alicante/ALACANT 在数据集中也有西班牙口音Coloma de Cervellò, La Riera de Gaià, Sant Vicen <c3><U+0087> Dels Horts。

所以我只是想清理这一列。

有人可以指出我如何删除部分列的正确方向吗？

<c3><U+119B>London       to        London
Sydney<c3><U+0087>NL     to        Sydney

提前致谢

【问题讨论】：

你试过?gsub
另外，请查看 stringi 包以转换非 ASCII 字符，例如 this answer。

标签： r data-cleaning

【解决方案1】：

如果您有一个您希望在数据集中找到的所有城市的列表，我会这样做：

goodNames <- c("London", "Alicante", "Sydney")
badNames <- c("London(Westminster)", "Alicante/ALACANT", "SydneyNL")
newNames <- badNames

for (i in c(1:length(goodNames))){
    newNames[grepl(goodNames[i], badNames)] <- goodNames[i]
}

它的作用是遍历 goodNames 向量中的每个好城市名称，并检查是否可以在每个坏名称中找到该名称（例如，“Syndey”出现在“SydneyNL”中）。如果是这样，则将坏名称替换为好名称。查看 grep() 文档，有很多有用的选项，比如匹配是否区分大小写。

如果您没有正确拼写的城市列表，那么您可能会遇到很多麻烦。阅读 grep() 以及 grep() 文档中列出的相关函数。如果您觉得它太混乱，最手动和最直接的方法是这样的：

df <- data.frame(city=badNames, stringsAsFactors= FALSE)

df$city[df$city == "SydneyNL"] <- "Sydney"
df$city[df$city == "London(Westminster)"] <- "London"

【讨论】：

【解决方案2】：

这是考虑这样做的一种方法：

bad <- "<c3><U+119B>London"  
good <- gsub("\\<[^\\]]*\\>", "", bad, perl=TRUE);
good
[1] "London"

这将删除<> 之间的所有字符，包括< 和>

【讨论】：