R语言campfin包normal_address()函数未按预期工作的问题排查

问题场景 #

使用campfin包的normal_address()函数时，无法完全将街道全称替换为USPS标准缩写，导致后续模糊匹配失效。执行代码如下：

df <- df %>% mutate(clean_add = normal_address(RESERVATION_ADDRESS, abbs=usps_street))

未正确标准化的样本数据：

structure(list(RESERVATION_ADDRESS = c("4620 ASH GROVE DRIVE #3B", 
"4001 DE MORADA DRIVE UNIT 118", "734 THOMPSON DRIVE, UNIT A", 
"5917 YORK BRIDGE CIRCLE, AUSTIN, TX", "4140 SUNLAND CIRCLE NW", 
"3951 BELLAIRE DRIVE SOUTH"), RESERVATION_CITY = c("SPRINGFIELD", 
"ODESSA", "LAKE DALLAS", "AUSTIN", "ALBUQUERQUE", "FORT WORTH"
), RESERVATION_STATE = c("IL", "TX", "TX", "TX", "NM", "TX"), 
    RESERVATION_ZIPCODE = c(62711, 79765, 75065, 78749, 87107, 
    76109)), row.names = c(NA, 6L), class = "data.frame")

不想用gsub逐个替换（如gsub("CIRCLE", "CIR", clean_add)），担心遗漏同类情况，需确认是操作错误还是函数问题，并寻求更优的地址标准化方案。

问题分析 #

1. 是操作错误还是函数局限？ #

这并非操作错误，而是normal_address()的匹配逻辑存在局限：

• 函数默认匹配独立完整的单词，如果街道后缀和方向词（如NW、SOUTH）连在一起，或地址中混入城市/州信息（比如样本里的"AUSTIN, TX"），会干扰后缀识别
• 地址里的后缀如果带逗号等标点，也会破坏函数的精确匹配规则

比如样本中"CIRCLE NW"，函数无法将"CIRCLE"单独识别为后缀进行替换；带城市的地址行，后缀被冗余信息干扰，同样无法触发替换。

替代解决方案 #

方案一：优化campfin现有逻辑 #

先清理地址中的冗余信息，拆分粘连的方向词和后缀，再调用normal_address()：

library(campfin)
library(dplyr)
library(stringr)

df_clean <- df %>%
  mutate(
    # 移除地址中混入的城市、州信息
    RESERVATION_ADDRESS = str_remove(RESERVATION_ADDRESS, ",\\s*[A-Za-z\\s]+,\\s*[A-Z]{2}"),
    # 拆分后缀与方向词（比如把"CIRCLE NW"拆为独立单词）
    RESERVATION_ADDRESS = str_replace(RESERVATION_ADDRESS, "([A-Z]+)(\\s*[A-Z]{2})$", "\\1 \\2")
  ) %>%
  mutate(clean_add = normal_address(RESERVATION_ADDRESS, abbs = usps_street))

方案二：使用postmastr包（专业地址标准化） #

postmastr是专门处理美国地址的工具，完全遵循USPS规则，能自动识别后缀、方向词、单元信息：

library(postmastr)

# 重命名列以适配postmastr要求
df_pm <- df %>%
  rename(
    address = RESERVATION_ADDRESS,
    city = RESERVATION_CITY,
    state = RESERVATION_STATE,
    zip = RESERVATION_ZIPCODE
  )

# 执行标准化，输出USPS缩写格式
df_pm_clean <- df_pm %>%
  pm_identify(type = "us") %>%
  pm_parse() %>%
  pm_compose(output = "short")

方案三：结合地理编码实现精准标准化 #

通过免费的美国人口普查局API进行地理编码，直接返回官方标准化地址：

library(tidygeocoder)

df_geo <- df %>%
  geocode(
    address = str_c(RESERVATION_ADDRESS, RESERVATION_CITY, RESERVATION_STATE, RESERVATION_ZIPCODE, sep = ", "),
    method = "census",
    full_results = TRUE
  ) %>%
  select(standardized_address = address) # 提取标准化后的地址

内容的提问来源于stack exchange，提问作者doing_data