3

是否有预先存在的功能来为 Mechanical Turk 清理 data.frame 的字符列？这是它挂断的线路示例：

x <- "Duke\U3e32393cs B or C, no concomittant malignancy, ulcerative colitis, Crohn\U3e32393cs disease, renal, heart or liver failure"

我认为这些是 unicode 字符，但 MT 不允许我在其中继续使用它们。我显然可以很容易地对这些进行正则表达式，但我使用了相当多的 MT，并希望有一个更通用的解决方案来删除所有非 ascii 字符。

编辑

我可以按如下方式删除编码：

> iconv(x,from="UTF-8",to="latin1",sub=".")
[1] "Duke......s B or C, no concomittant malignancy, ulcerative colitis, Crohn......s disease, renal, heart or liver failure"

但这仍然让我缺乏对任何元素使用非 utf8 编码的向量的更通用的解决方案。

> dput(vec)
c("Colorectal cancer patients Duke\U3e32393cs B or C, no concomittant malignancy, ulcerative colitis, Crohn\U3e32393cs disease, renal, heart or liver failure", 
"Patients with Parkinson\U3e32393cs Disease not already on levodopa", 
"hi")

请注意，常规文本正在编码“未知”，它没有转换为“latin1”，因此使用 iconv 的简单解决方案失败。我在下面尝试了一种更细微的解决方案，但我对此并不满意。

4

1 回答 1

4

尝试回答我自己的问题，希望有人有更好的方法，因为我不相信这会处理所有时髦的文本：

sanitize.text <- function(x) {
  stopifnot(is.character(x))
  sanitize.each.element <- function(elem) {
    ifelse(
      Encoding(elem)=="unknown",
      elem,
      iconv(elem,from=as.character(Encoding(elem)),to="latin1",sub="")
    )
  }
  x <- sapply(x, sanitize.each.element)
  names(x) <- NULL
  x
}

> sanitize.text(vec)
[1] "Colorectal cancer patients Dukes B or C, no concomittant malignancy, ulcerative colitis, Crohns disease, renal, heart or liver failure"
[2] "Patients with Parkinsons Disease not already on levodopa"                                                                              
[3] "hi"

以及处理 MT 的其他导入怪癖的功能：

library(taRifx)
write.sanitized.csv <- function( x, file="", ... ) {
  sanitize.text <- function(x) {
    stopifnot(is.character(x))
    sanitize.each.element <- function(elem) {
      ifelse(
        Encoding(elem)=="unknown",
        elem,
        iconv(elem,from=as.character(Encoding(elem)),to="latin1",sub="")
      )
    }
    x <- sapply(x, sanitize.each.element)
    names(x) <- NULL
    x
  }
  x <- japply( df=x, sel=sapply(x,is.character), FUN=sanitize.text)
  colnames(x) <- gsub("[^a-zA-Z0-9_]", "_", colnames(x) )
  write.csv( x, file, row.names=FALSE, ... )
}

编辑

由于缺少放置此代码的更好位置，您可以找出字符向量的哪个元素导致了即使上面的函数也无法解决的问题，例如：

#' Function to locate a non-ASCII character
#' @param txt A character vector
#' @return A logical of length length(txt) 
locateBadString <- function(txt) {
  vapply(txt, function(x) {
    class( try( substr( x, 1, nchar(x) ) ) )!="try-error"
  }, TRUE )
}

编辑2

我认为这应该有效：

iconv(x, to = "latin1", sub="")

感谢@Masoud 在这个答案中：https ://stackoverflow.com/a/20250920/636656

于 2012-07-05T14:46:25.857 回答