使用stringr str_extract R提取复杂名称:处理"DE“、"VAN”

Question

我想要处理数据帧中的复杂姓名和姓氏。

list <- c("DUPONT J", "DUPONT DE JEAN, V", "JEAN V Y","DE DUPONT Z V","DUPONT VAN RIVIERE Z")

因此，我只想要完整的姓氏第一个字母

list2 <- c('DUPONT J', 'DUPONT DE JEAN V',"JEAN V","DE DUPONT Z","DUPONT VAN RIVIERE Z")

我尝试使用str_extract函数，但在提取全名时遇到了名称中的"DE“或"VAN”问题。

str_extract(temp1$value, "[A-Z]+\\s[A-Z]")

我认为正确的代码应该是: 1)确定第一个姓氏字母是什么；2)取第一个姓氏字母之前的所有内容。

Answer 1

更简单的方法可能是查找字符串末尾的两个重复的单个字符，然后删除第二个字符

gsub("(\\s\\w)\\s\\w$", "\\1", list)

输出还删除了逗号，这可以通过单独的命令来完成

gsub(",", "", gsub("(\\s\\w)\\s\\w$", "\\1", list))

[1] "DUPONT J" "DUPONT DE JEAN V" "JEAN V" "DE DUPONT Z" "DUPONT VAN RIVIERE Z"