Question

我的数据集包含发件人的姓名和/或发件人的电子邮件地址。

sender_info = c('Kelvin [mailto:kelvin0354@gmail.com]','Kelvin','Sheryl [mailto:sheryl@hotmail.com]','Sheryl <sheryl@hotmail.com>','Oscar',)

我想检查唯一发件人的数量。从sender_info可以看出，有3个独特的发件人--Kelvin，Sheryl和Oscar。

我尝试了几种方法，但它们不起作用。其中之一涉及使用R RecordLinkage库中的levenshteinSim（）函数来检查每个元素的相似程度。但是，当元素太不相同时，这种方法就失败了（例如，＆＃39; Kelvin [mailto：kelvin0354@gmail.com]＆＃39; Kelvin＆＃39;）。

如果有人能就如何解决这个问题给我一两个提示，我真的很感激。谢谢！

Answer 1

如果您的数据结构总是与上述示例类似，则这些代码会有所帮助：

    sender_info = c('Kelvin [mailto:kelvin0354@gmail.com]','Kelvin','Sheryl [mailto:sheryl@hotmail.com]','Sheryl <sheryl@hotmail.com>','Oscar')
    new_sender <- sapply(strsplit(sender_info, split = " "), "[[", 1)
    unique(new_sender)
    #[1] "Kelvin" "Sheryl" "Oscar"

Answer 2

“strsplit的替代str_split来自stringr。

library(stringr)
unique(str_split(sender_info, pattern = " ", simplify = TRUE)[,1])
# [1] "Kelvin" "Sheryl" "Oscar"

R - 比较相似但不相同的字符串

2 个答案: