从 R 中的名称向量中提取姓氏

Question

我有一个包含 U.S 的数据框。参议员姓名，我只需要提取姓氏，这样我就可以将它们与另一个包含参议员其他信息的数据框（以及仅包含姓氏的列）进行模糊匹配。

问题是这些名字有时包含中间名的首字母或中间名，并在末尾有参议员的政党。我如何编写一个 gsub 命令来提取参议员的姓氏？抱歉，我是正则表达式的新手，而且真的很不擅长。

这里的数据片段：

names <- c("John Kerry (D)", "John H Chafee (R)", "Chris Dodd (D)", "Joe Lieberman (D)", "Frank R Lautenberg (D)", "Daniel Patrick Moynihan (D)", "Alfonse M D'Amato (R)", "Arlen Specter (R)", "Jay Rockefeller (D)", "Carl Levin (D)")

Answer 1

您可以在结果列表中使用 strsplit() 和 lapply()：

> unlist(lapply(strsplit(names, " "), function(x) { return(x[length(x)-1]) }))
 [1] "Kerry"       "Chafee"      "Dodd"        "Lieberman"   "Lautenberg"
 [6] "Moynihan"    "D'Amato"     "Specter"     "Rockefeller" "Levin"

这里的技巧是取每个拆分字符串中的倒数第二个元素，即姓氏。

Answer 2

这将为您解析出名称。

library(stringi)
library(rex)
library(dplyr)
library(tidyr)

name_split = rex(capture(any_graphs), 
                     " ",
                     maybe(capture(any_graphs), 
                           " "),
                     capture(any_graphs),
                     " ",
                     "(", capture(upper), ")")

data_frame(string = names) %>%
  extract(string, c("first", "middle", "last", "party"), name_split) %>%
  filter(first %>% is.na %>% `!`)

Answer 3

一个选项 stringi

library(stringi)
stri_extract(names, regex="\w+(?=\s+\()")
#[1] "Kerry"       "Chafee"      "Dodd"        "Lieberman"   "Lautenberg" 
#[6] "Moynihan"    "Amato"       "Specter"     "Rockefeller" "Levin"

从 R 中的名称向量中提取姓氏

Extracting last-names from a vector of names in R

regex

r

gsub