从行：R中删除非英语字符串

问题描述

我有几个变量，其数据（行）包含英语字符串，后跟非英语翻译（印地语）。

例如木匠（印地语为木匠）

是否可以将行剥离为仅包含英文部分？印地语在应用功能时引起问题，因此我希望将其删除。

解决方法

这是使用基数R的iconv()的另一种选择，它仅删除非拉丁脚本：

s <- 'Carpenter (बढ़ई)'
iconv(s,"latin1","ASCII",sub="")
# [1] "Carpenter ()"

应用于数据框：

df <- data.frame(rbind('Carpenter (बढ़ई)','Cat (बिल्ली)'))
sapply(df,iconv,from="latin1",to="ASCII",sub="")
# [1,] "Carpenter ()"                           
# [2,] "Cat ()"

我设法通过使用正则表达式（regex）和stringr包来去除文本的英语部分。下面是示例数据框和结果输出。

library(tidyverse)
library(stringr)

df <- tibble(
      complete_wrd = c(
             "carpenter (Hindi word for carpenter)","cat (Hindi word for cat)","dog (Hindi word for dog)"))


df %>%
   mutate(engl_wrd = stringr::str_extract(complete_wrd,"^.*?\\S*"))


# A tibble: 3 x 2
  complete_wrd                         engl_wrd 
  <chr>                                <chr>    
1 carpenter (Hindi word for carpenter) carpenter
2 cat (Hindi word for cat)             cat      
3 dog (Hindi word for dog)             dog

另一种尝试的方式

library(dplyr)
library(stringr)
df %>% 
mutate(hindi_text = str_remove(hindi_text,"\\(.*\\)"))
#             hindi_text
# 1 Construction Labourer
# 2                Other

数据

df <- data.frame(hindi_text = c("Construction Labourer(सभी प्रकार के निर्माण मजदूर)","Other(उपरोक्त के अतिरिक्त) "))

dplyr r r stringr