Извлечение названий университетов из принадлежности в опубликованных данных с помощью R - PullRequest
Новая
       96

Извлечение названий университетов из принадлежности в опубликованных данных с помощью R

2 голосов
/ 07 мая 2019

Я использовал чрезвычайно полезный пакет rentrez в R для получения информации об авторе, идентификаторе статьи и принадлежности автора из базы данных Pubmed. Это прекрасно работает, но теперь я хотел бы извлечь информацию из области принадлежности. К сожалению, поле принадлежности является широко неструктурированным, не стандартизированной строкой с различными типами информации, такой как название университета, название отдела, адрес и более разделенные запятыми. Поэтому подход к анализу текста необходим для получения любой полезной информации из этого поля.

Я пробовал пакет easyPubmed в сочетании с rentrez, и хотя пакет easyPubmed может извлекать некоторую информацию из поля присоединения (например, адрес электронной почты, который очень полезен), насколько мне известно, он не может извлечь название университета. Я также попробовал пакет pubmed.mineR, но, к сожалению, это также не обеспечивает извлечение названия университета. Я начал экспериментировать с функциями grep и regex, но, поскольку я не являюсь экспертом в R, я не смог сделать эту работу.

Мне удалось найти очень похожие темы, решающие проблему с python:

Regex для извлечения названий колледжей, университетов и институтов?

Как извлечь название университета / школы / колледжа из строки в python, используя регулярное выражение?

Но, к сожалению, я не знаю, как преобразовать функцию регулярного выражения python в функцию регулярного выражения R, так как я не знаком с python.

Вот некоторые примеры данных: 

PMID = c(121,122,123,124,125)
author=c("author1","author2","author3","author4","author5")
Affiliation = c("blabla,University Ghent,blablabla", "University Washington, blabla, blablabla, blablabalbalba","blabla,University of Florence,blabla", "University Chicago, Harvard University", "Oxford University")
df = as.data.frame(cbind(PMID,author,Affiliation))

df
PMID  author                                              Affiliation
1  121 author1                        blabla,University Ghent,blablabla
2  122 author2 University Washington, blabla, blablabla, blablabalbalba
3  123 author3                        blabla,University of Florence,blabla
4  124 author4                        University Chicago, Harvard University
5  125 author5                        Oxford University

Что бы я хотел получить: 

PMID  author    Affiliation                        University
1  121 author1  blabla,University Ghent,blablabla  University Ghent
2  122 author2  University Washington,ba, bla, bla University Washington
3  123 author3  blabla,University Florence,blabla  University of Florence
4  124 author4  University Chicago, Harvard Univ   University Chicago, Harvard University
5  125 author5  Oxford University                  Oxford University

Пожалуйста, извините, если в сети уже есть решение, но я, честно говоря, много гуглил и не нашел четкого решения для R. Я был бы очень благодарен за любые подсказки и решения этой задачи.

1 Ответ

1 голос
/ 07 мая 2019

Как правило, выражения регулярных выражений могут быть перенесены в R с некоторыми изменениями. Например, используя ссылку php, которую вы включили, вы можете создать новую переменную с извлеченным текстом, используя это выражение регулярного выражения и изменяя только escape-символ («\\» вместо «\»). Итак, используя пакеты dplyr и stringr: 

library(dplyr)
library(stringr)
df <- df %>% 
  mutate(Organization=str_extract(Affiliation,
      "([A-Z][^\\s,.]+[.]?\\s[(]?)*(College|University|Institute|Law School|School of|Academy)[^,\\d]*(?=,|\\d)"))
...