删除字符串元素中重复的名称(短语)的一种更优雅的方法

Question

我在dataframe中有一个组织名称向量。其中一些很好，另一些则在同一个元素中重复了两次。而且，当该名称被重复时，没有分隔空间，因此名称具有camelCase外观。

例如(为一般数据引用添加的id列)：

1阿尔法连

2布拉沃InstituteBravo研究所

3查理集团

德尔塔IncorporatedDelta公司

但看起来应该是：

1阿尔法连

2布拉沃研究所

3查理集团

4德尔塔公司

我有一个解决方案，得到我需要的结果--下面是可重复的示例代码。然而，它似乎有点长，不太优雅。

对于同样的结果，有谁有更好的方法吗？

额外的问题:如果组织中包含“type”，比如Alpha Company，LLC，那么我修复camelCase的gsub()行也不起作用。对于如何调整camelCase补丁以解释"，LLC“，以及如何处理其余的解决方案，有什么建议吗？

提前感谢！(多亏了OP &那些在上提供帮助的人)

# packages
library(stringr)
# toy data
df <- data.frame(id=1:4, org=c("Alpha Company", "Bravo InstituteBravo Institute", "Charlie Group", "Delta IncorporatedDelta Incorporated"))
# split up & clean camelCase words
df$org_fix <- gsub("([A-Z])", " \\1", df$org)
df$org_fix <- str_trim(str_squish(df$org_fix))
# temp vector with half the org names
df$org_half <- word(df$org_fix, start=1, end=(sapply(strsplit(df$org_fix, " "), length)/2)) # stringr::word
# double the temp vector
df$org_dbl <- paste(df$org_half, df$org_half)
# flag TRUE for orgs that contain duplicates in name
df$org_dup <- df$org_fix == df$org_dbl
# corrected the org names
df$org_fix <- ifelse(df$org_dup, df$org_half, df$org_fix)
# drop excess columns
df <- df[,c("id", "org_fix")]

# toy data for the bonus question
df2 <- data.frame(id=1:4, org=c("Alpha Company, LLC", "Bravo InstituteBravo Institute", "Charlie Group", "Delta IncorporatedDelta Incorporated"))

Answer 1

另一种方法是比较字符串的前半部分和字符串的下半部分。如果相同的话，选择上半场。如果公司名称中有数字、下划线或任何其他字符，也可以使用。

org <- c("Alpha Company", "Bravo InstituteBravo Institute", "Charlie Group", "Delta IncorporatedDelta Incorporated", "WD40WD40", "3M3M")

ifelse(substring(org, 1, nchar(org) / 2) == substring(org, nchar(org) / 2 + 1, nchar(org)), substring(org, 1, nchar(org) / 2), org)

# [1] "Alpha Company" "Bravo Institute" "Charlie Group" "Delta Incorporated" "WD40" "3M" 

Answer 2

您可以将regex用作下面的一行：

my_df$org <- str_extract(string = my_df$org, pattern = "([A-Z][a-z]+ [A-Z][a-z]+){1}")

Answer 3

如果所有单个单词都以大写字母开头(而不是后面跟着其他大写字母)，那么您可以使用它来拆分。只保留唯一的元素，并粘贴+折叠。也将在奖金LCC-选项中工作。

org <- c("Alpha CompanyCompany , LLC", "Bravo InstituteBravo Institute", "Charlie Group", "Delta IncorporatedDelta Incorporated")

sapply(
  lapply(
    strsplit(gsub("[^A-Za-z0-9]", "", org), 
             "(?<=[^A-Z])(?=[A-Z])", 
             perl = TRUE),
    unique), 
  paste0, collapse = " ")

[1] "Alpha Company LLC"  "Bravo Institute"    "Charlie Group"      "Delta Incorporated"