所有大写的驼峰式字符串

Question

我有一个包含数千个表和列的数据库。 列名始终采用所有大写字母，例如 BOOKINGPROCESSNOTEADDED、BOOKEDDATETIME、BOOKINGSTATUS。 我希望重命名列，以便它们是小写的驼峰式，例如 BOOKINGSTATUS -> booking_status

因为单词、空格或下划线之间的大小写没有变化，所以基本上不可能应用更传统的方法将字符串转换为不同的大小写（例如使用 R 的snakecase包）。 我想知道是否可以在每个字符串上应用某种英语词典查找并返回拆分。

以上面的 BOOKINGSTATUS 为例，返回值可能是：boo_king_status、boo_king_stat_us 和 booking_status。 指定单词的最小长度会很有用。 如果最小值设置为 4 个字母，则在此示例中仅返回 booking_status（因为“boo”只有 3 个字母，“us”只有 2 个字母）

蛮力方法很可能在计算上过于昂贵，但想问一下是否有合理有效的方法来做到这一点。 Python 或 R 解决方案将是最受欢迎的。

Answer 1

library(dplyr)
library(stringr)

add_spaces <- function(colnames, words) {
  for(i in 1:length(colnames)) {
    for(j in words) {
      if(str_detect(string = colnames[i], pattern = j)) {
        colnames[i] <- str_replace(string = colnames[i], j, glue::glue("{str_to_lower(j)}_"))
      }
    }
  }
 
  colnames <- colnames %>% 
    str_remove("\\_+$") # Remove hyphens at the end
  
  message("Characters not identified: ")
  print(str_remove_all(colnames, "[a-z_]"))
  
  invisible(colnames)
}
   
colnames <- names(<file>) # Capture colnames  # Using c("BOOKINGPROCESSNOTEADDED", "BOOKEDDATETIME", "BOOKINGSTATUS")

words <- c("BOOKING", "BOOKED", "PROCESS") # Create first list of words

colnames <- add_spaces(colnames, words) # Run the first iteration        

> Characters not identified:
[1] "NOTEADDED" "DATETIME"  "STATUS"

words <- c(words, "NOTE", "ADDED", "DATE", "TIME", "STATUS") # Augment list with missing words

colnames <- add_spaces(colnames, words) # Rerun, ... repeat as needed
    
colnames 

[1] "booking_process_note_added" "booked_date_time"           "booking_status" 

Answer 2

这是一个草率的、蛮力的、不完美的尝试。 它几乎肯定会错过一些东西。 其实更多的是关于过程的对话，希望你能建立一个更好的“词典”。

首先，关于这个“字典”的讨论：理想情况下，它应该包含一个单词及其复数*ing和*ed forms。 我们将尝试用蛇形包装（ _word_ ）版本替换每个单词，因此我们将根据长度以相反的顺序排列 go。 出于理智，我们可能应该删除太短的单词（ and , an , a ），所以让我们从stringr::words开始（只是“用于练习字符串操作的示例字符向量” ，不是一个好的开始）。

words <- stringr::words[ order(nchar(stringr::words), decreasing = TRUE) ]
# see words[nchar(words) < 4] for what we are removing here
words <- words[nchar(words) > 3]
Reduce(function(txt, ptn) gsub(ptn, paste0("_", ptn ,"_"), txt, perl = TRUE),
       toupper(words), init = vec)
# [1] "_BOOK_ING_PROCESS__NOTE_ADDED" "_BOOK_ED_DATE__TIME_"          "_BOOK_INGSTATUS"              

这看起来很奇怪，当然。 我们可以注意到，我们知道向量中的一些单词在stringr::words中丢失了：

c("booking", "process", "status") %in% words
# [1] FALSE  TRUE FALSE

我们可以扩充我们的列表：

words2 <- c(words, "booking", "booked", "status")
words2 <- words2[ order(nchar(words2), decreasing = TRUE) ]
Reduce(function(txt, ptn) gsub(ptn, paste0("_", ptn ,"_"), txt, perl = TRUE),
       toupper(words2), init = vec)
# [1] "__BOOK_ING__PROCESS__NOTE_ADDED" "__BOOK_ED__DATE__TIME_"          "__BOOK_ING__STATUS_"            

这里的问题是，由于我们同时拥有"booking"和"book" ，它总是会双重更改"BOOKING" 。 鉴于我从这里开始的天真，我不知道除了删除"book" （顺便说一句，还有"king" ）之外还有一个简单的快速补丁。

words3 <- setdiff(words2, c("book", "king"))
Reduce(function(txt, ptn) gsub(ptn, paste0("_", ptn ,"_"), txt, perl = TRUE),
       toupper(words3), init = vec)
# [1] "_BOOKING__PROCESS__NOTE_ADDED" "_BOOKED__DATE__TIME_"          "_BOOKING__STATUS_"            

从这里，我们可以删除前导/尾随和双_ 。

gsub("__", "_",
     gsub("^_|_$", "", 
          Reduce(function(txt, ptn) gsub(ptn, paste0("_", ptn ,"_"), txt, perl = TRUE),
                 toupper(words3), init = vec)))
# [1] "BOOKING_PROCESS_NOTE_ADDED" "BOOKED_DATE_TIME"           "BOOKING_STATUS"            

质量完全取决于从一本好的词典开始。 如果您的所有 UPPERNOSPACEWORDS 都已明确定义，那么也许您可以手动构建它。 （请注意，有些单词可能只是自我隔离，因为前后都有一个已知单词（请注意， "added"不在words3中，但它仍然被分解）。

Answer 3

我会手动构建字典：

• 从空字典开始
• 获取所有名称
• 找到一个包含大写的
• 手动将单词添加到字典中以拆分该单词
• 使用当前字典将它们全部拆分

重复最后 3 个步骤，直到所有单词都被拆分。 例如，对于您发布的 3 个名称，字典将首先获取c("booking", "status") ，并且该名称没有大写字母。 名称BOOKINGPROCESSNOTEADDED将变为booking_PROCESSNOTEADDED ； 如果你选择了这个，你会添加c("process", "note", "added")到字典中，然后找到BOOKEDDATETIME 。 现在您需要确定单词：是c("booked", "date", "time")还是c("booked", "datetime") ？

等等。