Question

我一直在R中使用极其有用的rentrez包，以从Pubmed数据库中获取有关作者，文章ID和作者隶属关系的信息。效果很好，但现在我想从隶属字段中提取信息。不幸的是，从属领域是广泛的非结构化，不是标准化的字符串，其中包含各种类型的信息，例如大学名称，部门名称，地址以及更多以逗号分隔的信息。因此，文本挖掘方法对于从该字段获取任何有用的信息是必要的。

我尝试将easyPubmed软件包与rentrez结合使用，尽管easyPubmed软件包可以从隶属字段中提取一些信息（例如，非常有用的电子邮件地址），据我所知它无法提取大学名称。我也尝试了pubmed.mineR软件包，但不幸的是，这也没有提供大学名称提取。我开始尝试grep和regex函数，但由于我不是R专家，所以我无法完成这项工作。

我能够找到非常相似的线程来解决python的问题：

Regex for extracting names of colleges, universities, and institutes?

How to extract university/school/college name from string in python using regular expression?

但是不幸的是，由于我不熟悉python，所以我不知道如何将python regex函数转换为R regex函数。

以下是一些示例数据：

PMID = c(121,122,123,124,125)
author=c("author1","author2","author3","author4","author5")
Affiliation = c("blabla,University Ghent,blablabla", "University Washington, blabla, blablabla, blablabalbalba","blabla,University of Florence,blabla", "University Chicago, Harvard University", "Oxford University")
df = as.data.frame(cbind(PMID,author,Affiliation))

df
PMID  author                                              Affiliation
1  121 author1                        blabla,University Ghent,blablabla
2  122 author2 University Washington, blabla, blablabla, blablabalbalba
3  123 author3                        blabla,University of Florence,blabla
4  124 author4                        University Chicago, Harvard University
5  125 author5                        Oxford University

我想要得到什么：

PMID  author    Affiliation                        University
1  121 author1  blabla,University Ghent,blablabla  University Ghent
2  122 author2  University Washington,ba, bla, bla University Washington
3  123 author3  blabla,University Florence,blabla  University of Florence
4  124 author4  University Chicago, Harvard Univ   University Chicago, Harvard University
5  125 author5  Oxford University                  Oxford University

如果在线上已经有解决方案，请感到抱歉，但是老实说，我在Google上搜索了很多，并且没有找到R的任何明确解决方案。对于此任务的任何提示和解决方案，我将非常感谢。

Answer 1

通常，可以将正则表达式进行一些更改后移植到R中。例如，使用包含的php链接，您可以使用该正则表达式表达式创建一个带有提取文本的新变量，并且仅更改转义字符（“ \\”而不是“ \”）。因此，使用dplyr和stringr软件包：

library(dplyr)
library(stringr)
df <- df %>% 
  mutate(Organization=str_extract(Affiliation,
      "([A-Z][^\\s,.]+[.]?\\s[(]?)*(College|University|Institute|Law School|School of|Academy)[^,\\d]*(?=,|\\d)"))

使用R

1 个答案: