Question

我有一个数据框sp，其中包含多个物种名称，但由于它们来自不同的数据库，因此它们以不同的方式编写。

例如，一种物种可称为 Urtica dioica 和 Urtica dioica L. 。

为了解决这个问题，我使用下面的代码，它只提取一行中的两个第一个单词：

paste(strsplit(sp[i,"sp"]," ")[[1]][1],strsplit(sp[i,"sp"]," ")[[1]][2],sep=" ")

目前，此代码已集成在for循环中，该循环有效，但需要很长时间才能完成：

for (i in seq_along(sp$sp)) {
    sp[i,"sp2"] = paste(strsplit(sp[i,"sp"]," ")[[1]][1],
                        strsplit(sp[i,"sp"]," ")[[1]][2],
                        sep=" ")
}

如果有办法使用向量或应用函数改进这个基本代码吗？

Answer 1

您可以使用矢量化正则表达式函数：

library(stringr)
x <- c("Urtica dioica", "Urtica dioica L.")
> str_extract(string = x,"\\w+ \\w+")
[1] "Urtica dioica" "Urtica dioica"

我碰巧在这里找到了 stringr 方便，但是对于您的特定数据使用正确的正则表达式，您可以使用gsub等基本函数执行此操作。

Answer 2

在进行每次提取之前，您可能需要检查字符串中是否有超过2个单词：

if((sapply(gregexpr("\\W+", i), length) + 1) > 2){
    ...
}

Answer 3

这是一个功能。

同样来自stringr，word函数

> choices <- c("Urtica dioica", "Urtica dioica L..") 
> library(stringr)
> word(choices, 1:2)
# [1] "Urtica" "dioica"
> word(choices, rep(1:2, 2))
# [1] "Urtica" "dioica" "Urtica" "dioica"

这些返回单个字符串。对于包含名字和姓氏的两个字符串，

> word(choices, 1, 2)
# [1] "Urtica dioica" "Urtica dioica"

最后一行从向量choices

中的每个字符串中获取前两个单词

使用字符串简化加速r中的循环

3 个答案: