从具有许多文本元素的数据框列中提取部分字符串不带正则表达式

问题描述

我有一个数据框，其中包含一列充满文字的列。很难在其中找到任何正则表达式模式。不过，我感兴趣的是根据预先定义的国家列表提取所有国家。我以为它应该不太难，但是找不到围绕str_extract的方法

这是一个可复制的示例：

data <- data.frame (text_column = c("I travelled to Germany last year,afterwards I visited Poland"," I enjoyed my vacation in Spain","The weather in the Netherlands was not great"))

我有国家列表

country_vector <- c("Germany","Poland","the Netherlands","France")

我想要的是对那些国家/地区匹配文本列，提取所有匹配项，然后将它们旋转到所有匹配项的单独列中。如果没有匹配项，那么我们可以输入NA。

因此，预期结果是：

Country_1         Country_2 
Germany           Poland
NA                NA 
the Netherlands   NA

鉴于在一栏中可能有多个国家/地区，则最终小标题/ df的ncol必须是具有最多国家/地区的条目的长度。

有人知道如何解决这个问题吗？我已经能够为1个条目做到这一点，但不能为我的整个数据框做到这一点。但是我感觉自己的工作方向错误，必须有一个更简单的解决方案。

temp <- stringr::str_extract(data$text_column,country_vector) %>% 
  as.data.frame() %>%
  magrittr: set_colnames(c("countries")) %>% 
  dplyr::filter(!is.na(countries)) 

if (nrow(temp==0)){
  temp <- temp %>% add_row(countries = NA) %>% 
    mutate(order = paste0("country_",seq(1:nrow(.)))) %>% 
    pivot_wider(.,names_from = order,values_from = countries)
  print(temp)
} else {
  temp <- temp %>% 
    mutate(order = paste0("country_",values_from = countries)
  print(temp)
}

解决方法

str_extract_all提供所需的数据：

library(stringr)
str_extract_all(data$text_column,str_c(country_vector,collapse = '|'))

#[[1]]
#[1] "Germany" "Poland" 

#[[2]]
#character(0)

#[[3]]
#[1] "the Netherlands"

要获取所需格式的数据，您需要操纵上述输出。

library(dplyr)

bind_rows(lapply(
       str_extract_all(data$text_column,collapse = '|')),function(x) if(length(x)) as.data.frame(t(x)) else as.data.frame(t(NA))))

#               V1     V2
#1         Germany Poland
#2            <NA>   <NA>
#3 the Netherlands   <NA>

,

simplify中有一个str_extract_all选项，它返回一个matrix。因此，我们可以直接转换为两列matrix并用as.data.frame包装（如果需要data.frame）

library(stringr)
as.data.frame(str_extract_all(data$text_column,collapse = '|'),simplify = TRUE))
#               V1     V2
#1         Germany Poland
#2                       
#3 the Netherlands