提取每个单词的第一个字母，但保留特定的标点符号

Question

我有一个包含几百万长的人名的向量，我想删除所有字符，但每个单词的第一个字母（即首字母）和一些字符，如“;”和 '-'。该向量在名称格式上有很大差异，小样本如下所示：

text <- c("Alwyn Howard Gentry", "a. h. gentry", "A H GENTRY", "A. H. G.", 
          "Carl von Martius", "Leitão Filho, H. F. ; Shepherd, G. J.",
          "Dárdano de Andrade - Lima")

我使用了下面的解决方案，它给出了所需的输出，但是太耗时了：

unlist(lapply(strsplit(text, " ", fixed = TRUE),
                                   function(x) paste0(substr(x, 1, 1), collapse="")))

"AHG"      "ahg"      "AHG"      "AHG"      "CvM"      "LFHF;SGJ" "DdA-L"

所以我尝试根据正则表达式和 gsub 改编我找到的的答案。我设法同时获得了首字母但不是首字母和字符：

gsub('\b(\pL)|.', '\1', text, perl = TRUE)

"AHG"     "ahg"     "AHG"     "AHG"     "CvM"     "LFHFSGJ" "DdAL"

我真的是正则表达式的新手。我试着改编 '\b(\pL)|'。部分代码将字符包含在模式中，但我尝试了几个小时后放弃了。

关于我应该使用哪个正则表达式来使用 gsub() 获得与我使用 strsplit() 和 sapply() 获得的相同结果的任何想法？

非常感谢！

Answer 1

您可以使用

text <- c("Alwyn Howard Gentry", "a. h. gentry", "A H GENTRY", "A. H. G.", "Carl von Martius", "Leitão Filho, H. F. ; Shepherd, G. J.", "Dárdano de Andrade - Lima")
gsub("(*UCP)(\b\p{L}|[;-])(*SKIP)(*F)|.", "", text, perl=TRUE)
## Or, alternatively,
gsub("(*UCP)[^;-](?<!\b\p{L})", "", text, perl=TRUE)

参见R demo and a regex demo #1/regex demo #2。

详情:

(*UCP) - 使 \b 识别 Unicode
(\b\p{L}|[;-])(*SKIP)(*F) - 单词开头的任何 Unicode 字母或 ; 或 -，然后跳过匹配，并从中搜索下一个匹配发生故障的位置
| - 或
. - 除换行符以外的任何字符
[^;-](?<!\b\p{L}) - 除了 ; 和 - 之外的任何字符，它们不是以字符串开头或非单词字符开头的任何 Unicode 字母。

提取每个单词的第一个字母，但保留特定的标点符号

Extract first letter in each word but keeping specific punctuation

r

regex

replace

gsub