使用R语言stringr包标准化作者姓名格式的技术求助

需求说明 #

现有一组格式不一致的作者姓名数据，需要提取每个姓名的首字母缩写（initials）、姓氏前缀（全小写单词，若存在）、**姓氏（首字母大写的单词）**三类组件，重新组合为「首字母缩写（字母间加句点）+ 姓氏前缀（若有）+ 姓氏」的标准格式，最终按Id分组，多作者列表根据数量用逗号分隔前几位，最后一位用&连接。

数据集样本：

library(tidyverse)

sample_list <- structure(list(Id = c(22667, 33807, 3625, 35531, 32051, 27721), auteur = c("van Bar, A.J.M.",  "de Vogel, J.J., R. Robbing, M.J. Smit & H.L.T. Bergsma-John", "Stark, M. ten", "Eeden, F.W. van", "Bouman, F. & F.D. Parker", "Sullock Enzlin, R.A.F. & J. Hoenselaar"),      jaartal = c(1938, 2016, 2002, 1889, 1997, 1991)), row.names = c(NA, -6L), class = c("tbl_df",  "tbl", "data.frame"))  

已完成组件提取的基础代码，但需要补充重组和分组逻辑，预期输出示例：

• "A.J.M. van Bar"
• "J.J. de Vogel, R. Robbing, M.J. Smit & H.L.T. Bergsma John"
• "M. ten Stark"
• "F.W. van Eeden"
• "F. Bouman & F.D. Parker"
• "R.A.F. Sullock Enzlin & J. Hoenselaar"

完整解决方案代码 #

library(tidyverse)

sample_list |>
  # 清理多余逗号并拆分单个作者条目
  mutate(auteur = str_remove(auteur, pattern = ",")) |>
  separate_longer_delim(cols = auteur, delim = regex("\\, | &")) |>
  mutate(auteur = str_squish(auteur)) |>
  # 提取并格式化三类组件
  mutate(
    # 提取首字母并重新格式化为带句点的标准样式
    initials = auteur |>
      str_extract(pattern = "(\\b[A-Z\\.]+\\b)") |>
      str_remove_all(pattern = "\\.") |>
      str_split("") |>
      map_chr(~paste(.x, collapse = ".")) |>
      str_c(".", sep = ""),
    # 提取姓氏，将复合姓氏的连字符替换为空格
    last_name = auteur |>
      str_extract_all(pattern = "\\b\\p{Lu}(?:\\p{Lu}*\\p{lu})?\\w+") |>
      map_chr(paste, collapse = " ") |>
      str_replace_all("-", " "),
    # 提取全小写的姓氏前缀
    prefix = auteur |>
      str_extract(pattern = "\\b[a-z](?:[a-z ]*[a-z])?\\b") |>
      str_squish()
  ) |>
  # 重组单个作者的标准姓名
  mutate(standard_name = case_when(
    !is.na(prefix) & prefix != "" ~ str_c(initials, " ", prefix, " ", last_name),
    TRUE ~ str_c(initials, " ", last_name)
  )) |>
  # 按Id分组，拼接多作者列表
  group_by(Id, jaartal) |>
  summarise(
    formatted_authors = case_when(
      n() == 1 ~ standard_name,
      n() == 2 ~ str_c(standard_name, collapse = " & "),
      n() > 2 ~ str_c(c(str_c(standard_name[1:(n()-1)], collapse = ", "), standard_name[n()]), collapse = " & ")
    ),
    .groups = "drop"
  )

关键步骤说明 #

1. 拆分作者条目：先用str_remove清理字符串中多余的逗号，再通过separate_longer_delim按, 或&拆分出每个独立的作者条目。
2. 组件处理：
   • 首字母缩写：提取大写字母片段后，拆分为单个字母并重新用句点连接，确保统一为A.J.M.的格式。
   • 姓氏：提取首字母大写的单词，将复合姓氏中的连字符替换为空格（如Bergsma-John转为Bergsma John）。
   • 姓氏前缀：精准匹配提取全小写的前缀单词（如van、ten）。
3. 重组单个姓名：通过case_when判断是否存在前缀，拼接成符合要求的标准姓名格式。
4. 分组拼接多作者列表：根据每组的作者数量，分别处理1个、2个、多个作者的拼接逻辑，保证前几位用逗号分隔，最后一位用&连接，符合学术写作的格式规范。

内容的提问来源于stack exchange，提问作者Nick