Question

我有一个带一些分类变量的data.frame。假设sentences是这些变量之一：

sentences <- c("Direito à participação e ao controle social",
               "Direito a ser ouvido pelo governo e representantes", 
               "Direito aos serviços públicos",
               "Direito de acesso à informação")

对于每个值，我只想提取每个单词的第一个字母，而忽略该单词是否具有4个或更少的字母（e，de，à，a，aos，ser，pelo），我的目标是创建首字母缩写词变量。我希望得到以下结果：

[1] "DPCS", "DOGR", "DSP", "DAI

我尝试使用stringr和建立为here的正则表达式模式创建模式子集：

library(stringr)
pattern <- "^(\b[A-Z]\w*\s*)+$"
str_subset(str_to_upper(sentences), pattern)

但是创建pattern对象时出现错误：

Error: '\w'  is an escape sequence not recognized in the string beginning with ""^(\b[A-Z]\w"

我在做什么错了？

在此先感谢您的帮助。

Answer 1

您可以使用gsub删除所有不需要的字符，并保留所需的字符。从预期的输出来看，您似乎仍在使用3个字符长的单词中的字符：

 gsub('\\b(\\pL)\\pL{2,}|.','\\U\\1',sentences,perl = TRUE)
[1] "DPCS"   "DSOPGR" "DASP"   "DAI"

但是，如果我们要忽略您指示的单词，那就是：

gsub('\\b(\\pL)\\pL{4,}|.','\\U\\1',sentences,perl = TRUE)
[1] "DPCS" "DOGR" "DSP"  "DAI"

Answer 2

您可以使用以下模式：(?<=^| )\S(?=\pL{4,})

我在后面使用了积极的眼神，以确保匹配项前面有空格或行首。然后，我匹配一个字符，前提是它后面跟着4个或更多字母，因此为正向。

我建议您不要在非英语语言中使用\w，因为它不会与任何带有重音符号的字符匹配。相反，\pL匹配来自任何语言的任何字母。

一旦您有匹配项，就可以将它们连接起来以创建您的字符串（dpc，dogr等...）

Here's a demo

提取R中每个单词的第一个字母

2 个答案: