R语言：去除数据框姓名列重复项（含全名与姓氏去重）

我有一个包含姓名字符串的数据框：

df = data.frame("names" = c("George Orwell; Ayn Rand; Adam Smith", "George Orwell; Rand; Orwell"))
df
#                                names
# 1 George Orwell; Ayn Rand; Adam Smith
# 2         George Orwell; Rand; Orwell

我需要移除所有重复姓名，规则如下：

• 仅保留列表中的唯一姓名
• 当字符串中存在某姓氏对应的全名时，移除单独的姓氏；若没有对应全名，则保留该姓氏

期望得到的结果：

names
1 George Orwell; Ayn Rand; Adam Smith
2                 George Orwell; Rand

目前我用以下代码只能处理完全重复的情况，无法解决姓氏与全名的冗余问题：

sapply(strsplit(df$names, ";\\s*"), function(z) paste(unique(z), collapse = "; "))
# [1] "George Orwell; Ayn Rand; Adam Smith" "George Orwell; Rand; Orwell"   

可以通过自定义函数实现姓氏与全名的匹配过滤，具体代码如下：

clean_names <- function(name_vec) {
  # 拆分每个姓名为若干部分，区分全名（多部分）和单姓氏
  split_parts <- strsplit(name_vec, "\\s+")
  # 提取每个姓名的姓氏
  last_names <- sapply(split_parts, function(x) x[length(x)])
  # 筛选出所有全名（包含至少两个部分的姓名）
  full_name_list <- name_vec[sapply(split_parts, length) >= 2]
  # 提取全名对应的姓氏集合
  full_last_names <- sapply(strsplit(full_name_list, "\\s+"), function(x) x[length(x)])
  
  # 过滤规则：单姓氏且对应全名存在则移除，其余保留
  keep_flag <- !((sapply(split_parts, length) == 1) & (last_names %in% full_last_names))
  # 最后做一次完全去重，再合并为字符串
  unique(name_vec[keep_flag])
}

# 将函数应用到数据框的names列
df$cleaned_names <- sapply(strsplit(df$names, ";\\s*"), function(z) {
  paste(clean_names(z), collapse = "; ")
})

# 查看处理后的结果
df$cleaned_names
# [1] "George Orwell; Ayn Rand; Adam Smith" "George Orwell; Rand"

代码说明 #

1. 拆分姓名：通过空格拆分每个姓名，判断是全名（多段）还是单姓氏
2. 提取姓氏：从每个姓名中提取最后一段作为姓氏
3. 匹配过滤：如果某个单姓氏对应的全名已经存在，则移除该单姓氏
4. 去重合并：对过滤后的结果做完全去重，再合并为目标格式的字符串

内容的提问来源于stack exchange，提问作者user17661126