处理多个 grepl 语句中的关系

Question

我正在做一项作业，需要清除大量混乱的字符串数据。
我已经解决了大多数问题，但遇到了两个问题：

使用多个 grepl 语句时的关系
我觉得很多代码可以简化，但我不知道如何简化

让我们考虑这个最小的例子：

names 是一个字符向量，存储 3 个不同的人的名字，以各种方式书写

names 应该简化（重新编码），以便多次出现的人名以相同的方式存储

让我们假设 Johnatan 是第一约翰，
约翰尼和约翰尼都是约翰二世，
John, John D., John Doe 是第三约翰。

凭借我有限的 R 知识，我得出了这个解决方案：

names <- c("John", "Johnatan", "Johnnie", "John D.", "John Doe", "johnnie")

names[grepl("johna", names, ignore.case = TRUE)] <- "First John"
names[grepl("johnn", names, ignore.case = TRUE)] <- "Second John"
names[grepl("john d*", names, ignore.case = TRUE)] <- "Third John"

此时 john 我不知道如何将 Third John 重新编码为

names[grepl("john", names, ignore.case = TRUE)]

会接走 names 的所有约翰。

问题：

我该如何处理这种关系，希望在某种程度上比我目前所写的更优雅？

感谢您的任何提示和建议。

Answer 1

temp = c(Johnatan = "First John", johnnie = "Second John", John = "Third John")
temp[apply(X = sapply(names(temp),
                 function(x) grepl(pattern = x,
                                   x = names,
                                   ignore.case = TRUE)),
      MARGIN = 1,
      FUN = function(x) head(which(x), 1))]
#         John      Johnatan       johnnie          John          John       johnnie 
# "Third John"  "First John" "Second John"  "Third John"  "Third John" "Second John"

Answer 2

您可以为 "john":

使用单词边界 (\b)

names <- c("John", "Johnatan", "Johnnie", "John D.", "John Doe", "johnnie")
names2 = names

names2[grepl("johna", names, ignore.case = TRUE)] <- "First John"
names2[grepl("johnn", names, ignore.case = TRUE)] <- "Second John"
names2[grepl("john(\b|\sd.*)", names, ignore.case = TRUE)] <- "Third John"

或 case_when 来自 dplyr:

library(dplyr)
names = case_when(grepl("johna", names, ignore.case = TRUE) ~ "First Join",
                  grepl("johnn", names, ignore.case = TRUE) ~ "Second Join",
                  grepl("john(\b|\sd.*)", names, ignore.case = TRUE) ~ "Third Join")

注：

\b 匹配单词边界，可以是 space 或标点符号。例如 johnatan 不会匹配，因为 john 跟在另一个字母 a 之后，而不是单词边界。
\s 匹配 space.
d.* 匹配 d 后跟任何内容 (.) 零次。
( | ) 是匹配 |.
john(\b|\sd.*) 匹配 john 后跟单词边界或 space 后跟 d 和任何零次或多次。因此匹配 "john"、"john d." 和 "john doe"（ignore.case = TRUE 会处理这些情况）。

结果：

> names2
[1] "Third John"  "First John"  "Second John" "Third John"  "Third John"  "Second John"

处理多个 grepl 语句中的关系

Handling ties in multiple grepl statements

regex

r

grepl

问题：