文字列から正規表現への新しい文字列

Question

私は乱雑な文字列の列を含むデータフレームを持っています。それぞれの乱雑な文字列には、その中のどこかの国の名前が含まれています。ここではおもちゃのバージョンです：（country.name）に関連付けられている国名を持つ国名のregexs（regex）と別で1：countrycodeパッケージに

df <- data.frame(string = c("Russia is cool (2015) ", 
          "I like - China", 
          "Stuff happens in North Korea"), 
       stringsAsFactors = FALSE) 

おかげで、私はまた、2つの有用な列を含む第2のデータセットを持っています。私たちはこのように、このデータセットをロードすることができます。

library(countrycode) 
data(countrycode_data) 

私はdf$stringの各行の国名を発見するcountrycode_data$regexで正規表現を使用するコードを記述したいと思います。正規表現を適切な国名と関連付けます（countrycode_data$country.name）。最後に、その名前を新しい列である関連する位置df$countryに書き込みます。このTBD操作を実行した後、dfは次のようになります。

     string        country 
1  Russia is cool (2015)      Russian Federation 
2    I like - China         China 
3 Stuff happens in North Korea Korea, Democratic People's Republic of 

私は非常にこれを行う方法の周りに私の頭をラップすることはできません。 grepl、which、tolower、%in%のさまざまな組み合わせを試してみましたが、方向や大きさ（またはその両方）が間違っています。

Answer 1

クロス参加（ブローアップされます、あなたのデータ）と可能な解決策である：以下の3つのテキスト文字列に何が起こるかを参照してください。現実世界の元のデータはそれ以上の大きさのオーダーであるのに対し、countrycode_data data.frameの行には特に200行しかないので、ループしている。 、

for(i in seq_along(patt)) { 
    df$country[grepl(patt[i], df$string, ignore.case=TRUE, perl=TRUE)] <- name[i] 
} 

他の人が指摘したように：その後、我々はループが新しいコラムを書くことができ

patt <- countrycode_data$country.name.en.regex[!is.na(countrycode_data$country.name.en.regex)] 
name <- countrycode_data$country.name.en[!is.na(countrycode_data$country.name.en.regex)] 

：ので、長い名前の

は、私は2つの国コードのデータの列を抽出します北朝鮮は国コードデータで指定された正規表現と一致しません。

Answer 2

これは実際の解決策ですが、countrycode_dataフレーム内の異なる列名を参照しています。これはシステム上で別々に表示されるためです。私はまた、いくつかの*applyコールに頼っていましたが、これはおそらく理想的ではありません。私はあなたがそれらのいくつかをベクトル化することができると確信しています、私はちょうど自分自身を確認していない。

matches <- sapply(df$string, function(x) { 

    # find matches by running all regex strings (maybe cound be vectorised?) 
    find.match <- lapply(countrycode_data$country.name.en.regex, grep, x = x, ignore.case = TRUE, perl = TRUE) 

    # note down which patterns came up with a match 
    matches <- which(sapply(find.match, length) > 0) 

    # now cull the matches list down to only those with a match 
    find.match <- find.match[ sapply(find.match, length) > 0 ] 

    # get rid of NA matches (not sure why these come up) 
    matches <- matches[ sapply(find.match, is.na) == FALSE ] 

    # now only return the value (reference to the match) if there is one (otherwise we get empty returns) 
    ifelse(length(matches) == 0, NA_integer_, matches) 
}) 

# now use the vector of references to match up country names 
df$country <- countrycode_data$country.name.en[ matches ] 

> df 
         string   country 
1  Russia is cool (2015) Russian Federation 
2    I like - China    China 
3 Stuff happens in North Korea    <NA> 

注：あなたの3番目の文字列「スタッフは北朝鮮に起こる」countrycode_dataセットで128行に一致する必要がありますが、それはしていません。私はその理由は、そこに正規表現（^(?=.*democrat|people|north|d.*p.*.r).*\bkorea|dprk|korea.*(d.*p.*r)）は、 "北"が文字列の先頭でなければならないと指定しているようだと思う。私は正規表現で自分自身では良くないが、私はそれが^が指定していると信じている。

ここ

grepl("^(?=.*democrat|people|north|d.*p.*.r).*\\bkorea|dprk|korea.*(d.*p.*r)", 
     c("korea", "north korea", "aaa north korea"), 
     perl = TRUE, ignore.case = TRUE) 
# [1] FALSE TRUE FALSE 

Answer 3

は、私は、このループのために行くだろう

library(countrycode) 
data(countrycode_data) 

library(data.table) 
df <- data.table(string = c("Russia is cool (2015) ", 
          "I like - China", 
          "Stuff happens in North Korea"), 
       stringsAsFactors = FALSE) 

# adding dummy for full cross-join merge 
df$dummy <- 0L 
country.dt <- data.table(countrycode_data[, c("country.name.en", "country.name.en.regex")]) 
country.dt$dummy <- 0L 

# merging original data to countries to get all possible combinations 
res.dt <- merge(df, country.dt, by ="dummy", all = TRUE, allow.cartesian = TRUE) 

# there are cases with NA regex 
res.dt <- res.dt[!is.na(country.name.en.regex)] 

# find matches 
res.dt[, match := grepl(country.name.en.regex, string, perl = T, ignore.case = T), by = 1:nrow(res.dt)] 

# filter out matches 
res.dt <- res.dt[match == TRUE, .(string, country.name.en)] 
res.dt 

#     string country.name.en 
# 1: Russia is cool (2015) Russian Federation 
# 2:   I like - China    China 

Answer 4

これはまさに国コードパッケージの目的なので、これを自分でコード化する理由はありません。ちょうどこのように使う...

library(countrycode) 
df <- data.frame(string = c("Russia is cool (2015) ", "I like - China", 
          "Stuff happens in North Korea"), stringsAsFactors = FALSE) 

df$country.name <- countrycode(df$string, 'country.name', 'country.name') 

「スタッフが北朝鮮に起こる」のために特別に、この場合には、それが明確な一致を見つけることができませんが、それは実際に北朝鮮と韓国のための正規表現に問題だ（私はここのために問題を開きましたhttps://github.com/vincentarelbundock/countrycode/issues/139）。さもなければ、あなたがしたいことはプリンシパルで動作するはずです。

（：そうcountry.nameは今country.name.enで、countrycodeの新バージョンがちょうど、CRANにリリースされましたv0.19我々は新しい言語を追加したので、列名が少し変更されている、とregexは今country.name.en.regexです。サイドノートでは、具体的@ulfelderします）

Answer 5

私はcountrycodeの管理者です。 @ cj-yetmanは正しい答えを出しました。あなたが直面した北朝鮮問題は、Githubのcountrycodeの開発版で修正されました。

あなたは国の名前やコードに文章を変換するには、直接国番号を使用することができます。

> library(devtools) 
> install_github('vincentarelbundock/countrycode') 
> library(countrycode) 
> df <- data.frame(string = c("Russia is cool (2015) ", 
+        "I like - China", 
+        "Stuff happens in North Korea"), 
+     stringsAsFactors = FALSE) 
> df$iso3c = countrycode(df$string, 'country.name', 'country.name') 
> df 
         string         iso3c 
1  Russia is cool (2015)      Russian Federation 
2    I like - China         China 
3 Stuff happens in North Korea Democratic People's Republic of Korea