R语言处理维基百科世界幸福报告数据：去除国家名称重复

问题背景 #

抓取德语维基百科的World Happiness Report表格后，Land列出现重复的国家名称（如"China China"），尝试两种基于str_split的处理方法未得到预期结果：

• 使用lapply处理后，Land列显示为列表类型（<chr [1]>），实际值仍重复
• 直接取str_split结果的第一个元素的唯一值，导致整列被赋值为第一个国家的名称

原因分析 #

• 第一种方法返回的是列表对象，未转换为字符向量，因此DataFrame列类型异常
• 第二种方法仅处理了第一个元素的拆分结果，未遍历整个列

有效解决方案 #

以下是针对不同场景的处理方法，优先推荐能兼容多空格国家名称的方案：

方案1：正则替换重复模式 #

适用于所有"名称 名称"格式的重复，包括含空格的国家名（如"Saudi Arabia Saudi Arabia"）：

df$Land <- str_replace(df$Land, "(.*) \\1", "\\1")

原理：匹配"内容 内容"的重复模式，将其替换为第一个捕获组（即原始名称）

方案2：拆分后取唯一值再合并 #

同样兼容含空格的国家名，处理逻辑更直观：

df$Land <- sapply(df$Land, function(x) {
  parts <- str_split(x, " ")[[1]]
  paste(unique(parts), collapse = " ")
})

原理：对每个字符串按空格拆分，提取唯一部分后重新合并为完整名称

方案3：取拆分后的第一部分（仅适用于无空格的国家名） #

如果确认所有国家名称均为单个单词，可快速提取第一部分：

df$Land <- str_split_fixed(df$Land, " ", n = 2)[, 1]
# 或使用word函数
df$Land <- word(df$Land, 1)

验证示例 #

以重复的多单词国家名测试：

test_str <- "Saudi Arabia Saudi Arabia"
str_replace(test_str, "(.*) \\1", "\\1") 
# 返回 "Saudi Arabia"（正确）

sapply(test_str, function(x) paste(unique(str_split(x, " ")[[1]]), collapse = " "))
# 返回 "Saudi Arabia"（正确）

str_split_fixed(test_str, " ", 2)[,1]
# 返回 "Saudi"（错误，仅适用于单单词国名）

内容的提问来源于stack exchange，提问作者AlexisR