基于前一行条件替换数据框特定文本的R语言技术问询

需求说明 #

• 对国会记录做文本分析，核心任务是处理参议员之间的指代替换：当参议员用「my friend」「my colleague」「the senator from XX」这类表述指代上一位发言的参议员时，要把这些表述替换成对应参议员的姓名
• 发言内容按行拆分，每行开头都标注了发言参议员的姓名

试过的方法及遇到的问题 #

• if-elseif函数：报错「条件长度大于1，仅使用第一个元素」
• ifelse函数：没报错，但完全没完成文本替换
• 带for循环的ifelse函数：直接返回NULL值

测试数据 #

# 测试环境数据
test_col <- c("Mr. SHELBY (R; Alabama): I acknowledge this is a test.",
              "Mrs. MURRAY (D; Washington): I say to my friend, the senator from Alabama, that they are wrong.",
              "Mr. SHELBY (R; Alabama): I do not agree with my colleague.",
              "Mr. FRIST (R; Tennessee): The senator from Alabama is correct, senator Murray.",
              "Mr. SHELBY (R; Alabama): I thank the majority leader for their support.",
              "Mr. SESSIONS (R; Alabama): I am proud of my junior, the senator from Alabama.",
              "Mr. SHELBY (R; Alabama): To my senior peer, the senator from Alabama, I say great things.")
test_df <- data.frame(test_col)
colnames(test_df) <- c("speeches")

解决方案 #

要搞定这个替换，得先把每一行的发言者信息提取出来，跟踪上一位发言者的姓名和所属州，再针对性替换指代内容，具体步骤如下：

步骤1：提取发言者关键信息 #

先从每行发言里拆分出发言者的姓名、所属州：

library(stringr)
library(dplyr)

# 拆分发言者姓名、所属州
test_df <- test_df %>%
  mutate(
    # 提取完整发言者称谓（比如Mr. SHELBY）
    speaker = str_extract(speeches, "^[A-Za-z.\\s]+(?=\\s\\()"),
    # 提取所属州
    state = str_extract(speeches, "(?<=;\\s)[A-Za-z]+(?=\\))"),
    # 提取姓氏（比如SHELBY）
    last_name = str_extract(speaker, "(?<=\\.\\s)[A-Z]+")
  ) %>%
  # 生成上一位发言者的信息列
  mutate(
    prev_last_name = lag(last_name),
    prev_state = lag(state)
  )

步骤2：逐行替换指代内容 #

用mapply逐行处理，避免向量操作的长度问题，同时定义替换规则：

# 逐行处理替换
test_df$processed_speeches <- mapply(function(speech, prev_last, prev_st) {
  # 先替换通用指代：my friend、my colleague
  updated_speech <- str_replace_all(speech, "my friend|my colleague", prev_last)
  # 替换州指代：比如the senator from Alabama
  if (!is.na(prev_st)) {
    state_pattern <- str_c("the senator from ", prev_st)
    updated_speech <- str_replace_all(updated_speech, state_pattern, prev_last)
  }
  updated_speech
}, test_df$speeches, test_df$prev_last_name, test_df$prev_state)

效果说明 #

• 解决了之前ifelse/if-elseif的向量长度不匹配问题，逐行处理更精准
• 后续可以扩展替换规则，比如添加更多指代短语（比如"my junior"、"my senior peer"），或者覆盖所有州的匹配，只需要修改替换逻辑里的正则表达式即可

内容的提问来源于stack exchange，提问作者Rochelle