识别和替换R中的模式

Question

我有一个包含25列和超过60万观察值的数据集，其中一列称为“目的地”。 该列的目的地如新加坡等，以不同的方式编写，例如，新加坡以61种不同的方式写为SINGAPORE，S'PORE，SINGPORE等。 我打算标准化所有与SINGAPORE对应的值，并将特定代码分配给该特定目标以进行进一步分析。

我尝试使用grep和gsub()识别以ZHO开头的目的地

NOV1151Sub <- NOV1151[grep("ZHO", NOV1151$destination)]

另外，我尝试使用'stringr'包无效。

因此，我想在大数据集中标识一个字符串，例如在与新加坡相对应的所有值中都使用“ PORE”，并将其替换为“ SGR”以进行进一步分析，表格看起来像

NAME  destination
a     S'PORE
b     SINPORE
C     SINGAPORE
d     XIAM
e     XIAMIN
f     XIAMEN
g     YANTIAN
h     YANTAI
i     ZHANGJIANG
j     ZHANGJIAGANG
k     RTD
l     ROTTER

期望的输出

NAME  destination
a     SINGAPORE 
b     SINGAPORE
c     SINGAPORE
d     XIAMEN
e     XIAMEN
f     XIAMEN
g     YANTIAN
h     YANTAI
i     ZHANGJIAGANG
j     ZHANGJAIGANG      
k     ROTTERDAM
l     ROTTERDAM

修复了更改模式的语法后，如何编写在不同名称的数据集中使用此相同语法的函数？ 例如，我想将具有序列“ ZOU”的任何模式更改为“ ZOUSHAN”，以及许多其他类似模式。

要更改NOV1151数据集的目标列中的模式，我使用了以下代码NOV1151 $ destination <-gsub（“ ZOU。 ”，“ ZHOUSHAN”，NOV1151 $ destination）

在编写函数时，我查看了来自stringr包的gsub()和str_replace的源代码，并编写了代码以复制效果，但是出现以下错误：

Gen（MAY214）中的错误：缺少参数“ x”，在MAY214数据集中更改相同模式时没有默认值。 我将函数命名为Gen

我应该先创建一个参考.CSV文件，然后尝试使用它来更改任何数据集中的模式，还是可以更好地完成它？

Answer 1

您可以在CRAN软件包“ stringdist”中找到一些帮助。 请注意，包含的函数“ stringdistmatrix”将对字符串向量元素之间的差异进行度量。 对于您提供的数据集，您可以通过使用度量“ osa”将距离小于等于4的元素合并到同一组中来获得指定的结果。 可以将组中最长或最频繁的字符串指定为组名。 手动注意的数量以及结果在“现实世界”中的可接受性将需要一些仔细的考虑。

Answer 2

NOV1151 $ destination <-gsub（“。 PORE。 ”，“ SGR”，NOV1151 $ destination）也可以正常工作！！ 使用以上代码时，请考虑组合。 例如，对于INCHEON，使用NOV1151 $ destination <-gsub（“。 INCH。 ”，“ INCHEON”，NOV1151 $ destination）也将包含TIANJINCHINA，因为其文本也具有序列“ INCH”。 观察查找表，并有效使用R中的filter选项，以避免此类错误。

答案由Pierre Lafortune提供