字符串扫描和匹配在R中的组的关系

Question

我对R编程非常陌生。我正在处理一些数据。这些数据是每天从一群人中收集的。通常，数据的格式是。

姓名，出生年月日，出生地，年龄，LGA

以文本格式填充字符串向量。

 text <- c()

在这里 高频 链接到一个数据库，为每个 LGA共10个）。也就是说，每一个LGA都是一组高频产品

有趣的是，由于对格式的遵守程度较低，高频词的拼写通常有很多错误。

以下是数据的样本

 "first person Usman,03May2019,Ntade Health post,LGA1"
 "second person, 7may2019,phc,makirin, LGA2"

#Here, "phc,makirin" is supposed to be spelt "Phc Makirine"

我已经能够使用R代码通过一些单词匹配语法来提取LGAs（因为它们很少），涵盖了通常看到的可能的拼写错误。

#LGA vector
library(stringr)
LGA <- c()
LGA[str_detect(text_from_optin, regex("Alier|Aleiro|Alero", ignore_case = TRUE))] <- "ALIERO"
LGA[str_detect(text_from_optin, regex("Augie|Agie|Auge|Auggie?", ignore_case = TRUE))] <- "AUGIE"
LGA[str_detect(text_from_optin, regex("Bagudo", ignore_case = TRUE))] <- "BAGUDO"
LGA[str_detect(text_from_optin, regex("Bir?nin Kebb?i|BirninKebn?i|B\\Kebb?i|Binin|birninkebbi", ignore_case = TRUE))] <- "BIRNIN KEBBI"
LGA[str_detect(text_from_optin, regex("Dan?di", ignore_case = TRUE))] <- "DANDI"
LGA[str_detect(text_from_optin, regex("Danko?wasa|Wasagu|D\\Was|Dankowasagu|Danko", ignore_case = TRUE))] <- "DANKO WASAGU"
LGA[str_detect(text_from_optin, regex("Fakai", ignore_case = TRUE))] <- "FAKAI"
LGA[str_detect(text_from_optin, regex("Gw?andu", ignore_case = TRUE))] <- "GWANDU"
LGA[str_detect(text_from_optin, regex("Kalg", ignore_case = TRUE))] <- "KALGO"
LGA[str_detect(text_from_optin, regex("Koko Bes|K\\Bes|Kokobess?", ignore_case = TRUE))] <- "KOKO BESSE"

以LGA，Aliero为例，其标准拼写下的HF约有200个。

我基本上是在尝试着填充向量。

Hf <- c()

与LGA有关的HF的适当单词拼写。

有没有一种语法可以说。

对于文本中找到的每个LGA组，扫描是否有HF（在LGA组中）匹配。如果匹配，则填充向量Hf。

谁能帮帮我。谅谅

Answer 1

好吧，我想你首先要解决一个初始问题。 你的数据结构如果有错位的逗号，必然会造成问题。我会先解决这个问题，仔细分解这些字符串，确定问题输入，像这样......

library(dplyr)
library(tidyr)

yourdata <- read.csv("your textfile", header = FALSE)

yourdata
#>                                                    V1
#> 1 first person Usman,03May2019,Ntade Health post,LGA1
#> 2           second person, 7may2019,phc,makirin, LGA2

newyourdata <- tidyr::separate(data = yourdata, 
                               col = V1, 
                               sep = ",", 
                               into = c("name", "DOB", "HF", "LGA", "problem"), 
                               remove = FALSE, 
                               extra = "merge", 
                               fill = "right")

newyourdata %>% filter(!is.na(problem))

#>                                          V1          name       DOB  HF     LGA
#> 1 second person, 7may2019,phc,makirin, LGA2 second person  7may2019 phc makirin
#>   problem
#> 1    LGA2

unique(newyourdata$HF)
#> [1] "Ntade Health post" "phc"

可复制的数据

yourdata <- structure(list(V1 = c("first person Usman,03May2019,Ntade Health post,LGA1", 
                                  "second person, 7may2019,phc,makirin, LGA2")), class = "data.frame", row.names = c(NA, 
                                                                                                                     -2L))

^{创建于2020-05-13 重读包 (v0.3.0)}