从R中文本中提取信息

Question

我正在研究R中的实体提取，我有一个UniqueID和Text字段--需要从文本字段中提取位置信息。我的文本字段有带有位置名称的描述。

text <- c("SERANGOON JC","Blk 4","SHELL TAMPINES AVE  4","SENOKO INDUSTRIAL ESTATE","Senoko Estate","Senoko","senok Est.") 

我有一份地点清单；

Loc <- c("SERANGOON JUNIOR COLLEGE","Block 4","SHELL TAMPINES AVENUE 4","SENOKO INDUSTRIAL ESTATE")

需要匹配loc并从text field.In中提取出这些位置，文本字段SENOKO INDUSTRIAL ESTATE以不同的方式拼写Senoko Estate或Senoko (半名)，或者拼写错误的senok Est. .for --所有这些都是拼写错误和拼写错误--我需要从loc ie那里得到确切的名称。SENOKO INDUSTRIAL ESTATE。

我的输出应该是这样的：(从文本字段提取位置，-get正确的单词，用于拼写错误和拼写错误的单词)

ID   Location
123  SERANGOON JUNIOR COLLEGE|Block 4|SHELL TAMPINES AVENUE 4|SENOKO INDUSTRIAL ESTATE|SENOKO INDUSTRIAL ESTATE|SENOKO INDUSTRIAL ESTATE|SENOKO INDUSTRIAL ESTATE

Answer 1

我不认为这是最漂亮的回答方式，但是..。

text <- c("SERANGOON JC","Blk 4","SHELL TAMPINES AVE  4","SENOKO INDUSTRIAL ESTATE","Senoko Estate","Senoko","senok Est.") 

Loc <- c("SERANGOON JUNIOR COLLEGE","Block 4","SHELL TAMPINES AVENUE 4","SENOKO INDUSTRIAL ESTATE")

text <- gsub(".*serang.*", "SERANGOON JUNIOR COLLEGE", text, ignore.case=TRUE)
text <- gsub(".*bl.* 4.*", "Block 4", text, ignore.case=TRUE)
text <- gsub(".*shell.*", "SHELL TAMPINES AVENUE 4", text, ignore.case=TRUE)
text <- gsub(".*senok.*", "SENOKO INDUSTRIAL ESTATE", text, ignore.case=TRUE)


print(text)

我并没有把它放在您所要求的格式上，但这将是第二列(也就是位置)的内容。在您查找的字符串之前和之后，我使用了regex表达式".*“，以防出现其他可能性/排字。这将使它更加强大。

希望这能有所帮助！