R（正则表达式）-从地址末尾删除公寓，单元和其他字词

Question

我有一个很大的地址数据集，我打算在ArcGIS中对地址进行地理编码（Google地理定位太昂贵了）。地址示例如下。

9999 ST PAUL ST BSMT

GARRISON BL & BOARMAN AVENUE REAR

1234 MAIN STREET 123

1234 MAIN ST UNIT1

ArcGIS无法识别末尾包含单位和其他字词的地址。所以我想删除这些词，使其看起来像下面的样子。

9999 ST PAUL ST

GARRISON BL & BOARMAN AVENUE

1234 MAIN STREET

1234 MAIN ST

主要挑战包括

1. ST既用于缩写街道，又在街道名称中指示“ SAINT”。
2. 地址以许多不同的指示符结尾，例如STREET和AVENUE
3. 有些交叉点（用&表示）可能包括两次类似ST和AVENUE的指示符。

我正在使用R，尝试应用sub()函数来解决问题，但没有成功。以下是我的最新尝试。

sub("(.*)ST","\\1",df$Address,perl=T)

我知道很多问题会问类似的问题，但是没有一个直接解决这个问题，我怀疑这与其他用户有关。

Answer 1

尽管我觉得删除最后一个字应该对您有用，但是为了更加安全，您可以使用此正则表达式保留您想要的内容，并以更安全的方式丢弃您不需要的内容。

(.*(?:ST|AVENUE|STREET)\b).*

在这里，.*(?:ST|AVENUE|STREET)\b通过以贪婪的方式捕获所有内容来捕获您想要的数据，并且只有在遇到任何这些单词ST或AVENUE或STREET（即这些单词的最后出现）以及之后出现的所有内容时，才停止那将被丢弃，这就是您想要的。在您当前的情况下，您只有一个单词，但是它可以丢弃多个单词，或者实际上丢弃那些特定单词之后发生的任何事情。目标数据已在组1中捕获，因此只需将其替换为\1

所以代替这个，

sub("(.*)ST","\\1",df$Address,perl=T)

尝试一下

sub("(.*(?:ST|AVENUE|STREET)\b).*","\\1",df$Address,perl=T)

See this demo