如何从字符串中提取状态名称

Question

这似乎很明显，但我无法弄清楚。我有一个包含州名和其他随机单词的字符向量，并想提取州名。

df <- data.frame(string = c("The quick brown Arizona","jumps over the Alabama","dog Arkansas"))

我可以单独创建提取状态名称：

df$state[grepl("Alabama",df$string)] <- "Alabama"

但我无法弄清楚如何在不复制和粘贴 42 次的情况下为所有状态复制它。我得到的最接近的是：

find.state <- function(x){
   df$state[grepl(x,df$string)] <- x
}
lapply(state.name, find.state)

但这只是打印所有州名。

Answer 1

你可以用一个有点笨拙的正则表达式来做到这一点。

df$state = sub(".*\\b(Arizona|Alabama|Arkansas)\\b.*", "\\1", df$string)
df
                   string    state
1 The quick brown Arizona  Arizona
2  jumps over the Alabama  Alabama
3            dog Arkansas Arkansas

当然，您需要包括所有州的名称，而不仅仅是这三个。因此，您可以先将其构建为模式。

Pattern = paste0(paste0(".*\\b(", paste0(state.name, collapse="|")), ")\\b.*")
df$state = sub(Pattern, "\\1", df$string)