Найти заменить все, используя словарь шаблонов регулярных выражений в R (возможно, Tidyverse)?

Я хотел бы заменить из набора шаблонов для конкретной строки. Например, это могут быть различные сокращенные названия месяцев в числовом значении месяца. Я создал словарь следующим образом (польские месяцы, строки 2, числовое значение.

dictionary<-data.frame(
  from=c("(S|s)tycz(eń|nia)|(S|s)t(y|ycz)",
         "(L|l)ut(y|ego)|(L|l)u(t)",
         "(M|m)ar(ca|zec)|(M|m)ar",
         "(K|k)wie(tnia|cień)|(K|k)wi(|e)",
         "(M|m)aj(a|)", 
         "(C|c)zerw(ca|iec)|(C|c)e(|r|rw)",
         "(L|l)ip(ca|iec)|(L|l)i(|p|c)", 
         "(S|s)ierp(nia|ień)|(S|s)i(|e|er|erp)",
         "(W|w)rze(śnia|sień)|(W|w)rz(|e)",
         "(P|p)aździernik(a|)|(P|p)a(ź|źd|źdź)",
         "(L|l)istopad(a|)|(L|l)is(|t|to|top)",
         "(G|g)rud(nia|zień)|(G|g)ru(|d)" 
  ),
  to=c(" 01 "," 02 "," 03 "," 04 "," 05 "," 06 "," 07 "," 08 "," 09 "," 10 "," 11 "," 12 ")
)

Я хотел бы использовать его в длинном столбце грязных описательных строк, из которых позже я хотел бы извлечь даты.

Это будет как:

Badanie zakończy się 28Wrze2018

или же

Zakończenie badania 28 Września 2018 najpóźniej...

И так далее для тысяч записей

Я хотел бы получить

Badanie zakończy się 28 09 2018

Есть ли функция или решение в Tidyverse, который бы сработал? До сих пор я пробовал библиотеку (DataCombine), но она не работает, не видит мой столбец в виде текста, возможно, есть ошибка.

Заранее спасибо за все направления.

Источник

2 ответа

Решение

С помощью stringr это было бы

dictionary <- setNames(
  c(" 01 "," 02 "," 03 "," 04 "," 05 "," 06 "," 07 "," 08 "," 09 "," 10 "," 11 "," 12 "),
  c("(S|s)tycz(eń|nia)|(S|s)t(y|ycz)",
    "(L|l)ut(y|ego)|(L|l)u(t)",
    "(M|m)ar(ca|zec)|(M|m)ar",
    "(K|k)wie(tnia|cień)|(K|k)wi(|e)",
    "(M|m)aj(a|)", 
    "(C|c)zerw(ca|iec)|(C|c)e(|r|rw)",
    "(L|l)ip(ca|iec)|(L|l)i(|p|c)", 
    "(S|s)ierp(nia|ień)|(S|s)i(|e|er|erp)",
    "(W|w)rze(śnia|sień)|(W|w)rz(|e)",
    "(P|p)aździernik(a|)|(P|p)a(ź|źd|źdź)",
    "(L|l)istopad(a|)|(L|l)is(|t|to|top)",
    "(G|g)rud(nia|zień)|(G|g)ru(|d)" 
  )
)
str_replace_all(string, dictionary)

Однако учтите, что пока

str_replace_all("Zakończenie badania 28 Września 2018 najpóźniej...", dictionary)
# [1] "Zakończenie badania 28  09  2018 najpóźniej..."

работает как положено, получаем

str_replace_all("Badanie zakończy się 28Wrze2018 ", dictionary)
# [1] "Badanie zakończy  08 ę 28 09 e2018 "

так как si подходит для августа. Следовательно, вам нужно будет улучшить словарь, используя ваши знания о появлении этих названий месяцев.

Источник

Я думаю, что это ситуация, когда вас лучше всего обслуживает for петля.

convert_date <- function(x){
  dictionary<-data.frame(
    from=c("(S|s)tycz(eń|nia)|(S|s)t(y|ycz)",
           "(L|l)ut(y|ego)|(L|l)u(t)",
           "(M|m)ar(ca|zec)|(M|m)ar",
           "(K|k)wie(tnia|cień)|(K|k)wi(|e)",
           "(M|m)aj(a|)", 
           "(C|c)zerw(ca|iec)|(C|c)e(|r|rw)",
           "(L|l)ip(ca|iec)|(L|l)i(|p|c)", 
           "(S|s)ierp(nia|ień)|(S|s)i(|e|er|erp)",
           "(W|w)rze(śnia|sień)|(W|w)rz(|e)",
           "(P|p)aździernik(a|)|(P|p)a(ź|źd|źdź)",
           "(L|l)istopad(a|)|(L|l)is(|t|to|top)",
           "(G|g)rud(nia|zień)|(G|g)ru(|d)" 
    ),
    to=c(" 01 "," 02 "," 03 "," 04 "," 05 "," 06 "," 07 "," 08 "," 09 "," 10 "," 11 "," 12 "),
    stringsAsFactors = FALSE
  )

  for (i in seq_len(nrow(dictionary))){
    x <- gsub(dictionary$from[i],
              dictionary$to[i],
              x)
  }

  x
}
Источник
Другие вопросы по тегам