在 R 中使用查找和替換多個字符串條件

Question

我最近做了一份調查問卷，在國籍字段中，我留下了一個打開的文本框字段（一個明顯的錯誤）。

現在我有了結果，我留下了幾個相同的字符串，我想知道是否有一個 function 可以讓我搜索並用某種松散的標准替換。

例如，我有很多法國參與者，並從 x 領土得到了諸如 Francaise、France、french 或 France 之類的答案。 是否有任何 R function 可以讓我執行以下操作（只是部分命名字符串）：

如果data$nationality包含'franc'，'frenc'，則將其轉換為'france'

Answer 1

gsub 可以做到這一點：

df<-data.frame(strings=c("France","Francais","French"),stringsAsFactors =FALSE)

df$New_Strings<-gsub("Francais|French","France",df$strings)

的| 運算符的作用類似於“或”，因此如果您願意，可以在其中串入更多

Answer 2

您可以使用相似性度量來計算字符串與目標字符串"Franc"和"Frenc"的接近程度。 然后根據閾值決定保留什么。

我將使用 package stringdist 。

library(stringdist)

x <- scan(what = character(), text = '
I got a lot of french participants and got answers like francaise, france, french or france from x territory, as an example. Is there any R function that would let me do the following
')
pattern <- c('Franc', 'Frenc')

現在sapply function stringsim到每個pattern ，使用兩種不同的措施， "soundex"和"lw" 。

sim1 <- sapply(pattern, stringsim, x, method = 'soundex')
sim1 <- apply(sim1, 1, max)

sim2 <- sapply(pattern, stringsim, x, method = 'jw')
sim2 <- apply(sim2, 1, max)

決定要保留什么。

thresh <- 0.75

x[sim1 >= thresh]
#[1] "french"     "francaise," "france,"    "french"     "france"

x[sim2 >= thresh]
#[1] "french"  "france," "french"  "france"

閾值可以做得更小。

thresh <- 0.70

x[sim1 >= thresh]
#[1] "french"     "francaise," "france,"    "french"     "france"

x[sim2 >= thresh]
#[1] "french"     "francaise," "france,"    "french"     "france"