Question

我正在尝试从非结构化文本中提取子字符串。例如，假设一个国家/地区名称向量：

countries <- c("United States", "Israel", "Canada")

如何传递此字符值向量以从非结构化文本中提取精确匹配。

text.df <- data.frame(ID = c(1:5), 
text = c("United States is a match", "Not a match", "Not a match",
         "Israel is a match", "Canada is a match"))

在此示例中，所需的输出为：

ID     text
1      United States
4      Israel
5      Canada

到目前为止，我一直在使用gsub删除所有不匹配项，然后删除然后删除空值的行。我也一直在使用stringr包中的str_extract，但是没有成功获得正则表达式的句子。非常感谢任何帮助！

Answer 1

<强> 1。 stringr

我们可以首先使用'indx'（将'countries'向量折叠形成）形成'text.df'作为'grep'中的模式，然后使用'str_extract'从'text'获取模式元素列，将其分配给子集数据集的“文本”列（'text.df1'）

library(stringr)
indx <- paste(countries, collapse="|")
text.df1 <- text.df[grep(indx, text.df$text),]
text.df1$text <- str_extract(text.df1$text, indx)
text.df1
#  ID          text
#1  1 United States
#4  4        Israel
#5  5        Canada

<强> 2。基础R

不使用任何外部包，我们可以删除“ind”

中的字符以外的字符

text.df1$text <- unlist(regmatches(text.df1$text, 
                           gregexpr(indx, text.df1$text)))

第3。 stringi

我们还可以使用stri_extract
中较快的stringi
library(stringi) na.omit(within(text.df, text1<- stri_extract(text, regex=indx)))[-2] # ID text1 #1 1 United States #4 4 Israel #5 5 Canada

Answer 2

这是data.table的方法：

library(data.table)
##
R>  data.table(text.df)[
    sapply(countries, function(x) grep(x,text),USE.NAMES=F),
    list(ID, text = countries)]
   ID          text
1:  1 United States
2:  4        Israel
3:  5        Canada

Answer 3

创建模式p，然后使用strapply为每个不匹配的组件text的{{1}}的每个组件提取匹配项。最后使用NA删除NA值。这是非破坏性的（即na.omit未被修改）：

text.df

，并提供：

library(gsubfn)

p <- paste(countries, collapse = "|")
na.omit(transform(text.df, text = strapply(paste(text), p, empty = NA, simplify = TRUE)))

使用dplyr它也可以写成如下（使用上面的ID text 1 1 United States 4 4 Israel 5 5 Canada）：

从R中的向量中提取子串

3 个答案: