如果另一列中的字符串包含标点符号和字体大小不同的单词，如何创建取 1 的新变量？

Question

我有一个看起来像这样的专栏

col1 
"business"
"BusinesS"
"education"
"some BUSINESS ."
"business of someone, that is cool"
" not the b word"
"busi ness"
"busines." 
"businesses"
"something else"

我需要一种有效的方法将所有这些字符串数据转换为新值

col1                col2
NA                  1
NA                  1
"education"         NA
NA                  1
NA                  1
" not the b word"   NA
NA                  1
NA                  1
NA                  1
"something else"    NA

所以共同点是“busines”，但我不知道如何有效地将所有空格、标点符号、lower/uppercases、其他词等整理到一个创建新列。

Answer 1

library(dplyr)
library(stringr) 
df %>%
  mutate(col2 = ifelse(str_detect(col1, "(?i)busi\s?ness?"),
                       1,
                       NA)

如果str_detect检测到任何形式的business，我们可以使用ifelse设置1，如果没有检测到NA。请注意，(?i) 使 \s? 中的 case-insensitive 和 ? 匹配，而 s? 使前面的项目可选；所以 \s? 匹配一个可选的 space 并且 s? 匹配一个可选的文字 s

Answer 2

您可以使用 gsub 替换所有非单词字符，然后使用 grepl 检测 busines:

+grepl("busines", gsub("\W+", "", s), ignore.case = TRUE)
# [1] 1 1 0 1 1 0 1 1 1 0

另一种方法是使用 agrepl 进行 近似字符串匹配，其中 1L 给出到给定模式的最大距离。

+agrepl("busines", s, 1L, ignore.case = TRUE)
# [1] 1 1 0 1 1 0 1 1 1 0

如果您正在寻找 business 而不是 busines:

，

agrep 也可以作为解决方案

+agrepl("business", gsub("\W+", "", s), 1L, ignore.case = TRUE)
# [1] 1 1 0 1 1 0 1 1 1 0

数据：

s <- c("business","BusinesS","education","some BUSINESS .",
       "business of someone, that is cool"," not the b word",
       "busi ness","busines." ,"businesses","something else")

如果另一列中的字符串包含标点符号和字体大小不同的单词，如何创建取 1 的新变量？

How to make new variable that takes 1 if the string in another column contains a word with varying punctuation and font size?

string

r

multiple-columns

data-cleaning

data-wrangling