R数据框作者名字列格式化：原方案重复输出所有内容

问题描述 #

尝试对R数据框中整列的作者名字字符串进行格式化，但运行代码后，所有行的new_names列都重复输出了所有行的作者名字，而非对应行的格式化结果。

原问题复现代码 #

library(dplyr)

x <- data.frame(
  names = c("Daenerys Targaryen, George R. R. Martin, Luís Inácio Lula da Silva",
            "Hadley Alexander Wickham, Joseph J. Allaire",
            "Stack Overflow"
            )
)

format_names <- function(variable) {
  variable %>%
    strsplit(", ") %>%
    unlist() %>% 
    gsub("(.*?) (\\w+$)", "\\U\\2\\E, \\1", ., perl = TRUE) %>%
    gsub(" ([A-Z])\\w*\\.?", " \\1.", .) %>%
    paste(collapse = "; ")
}

x %>% 
  mutate(new_names = format_names(names))

运行后所有行的new_names都会输出全部作者的格式化名字，而非对应行的内容。

问题原因 #

原函数format_names接收的是整个names列的向量，strsplit后得到的是包含所有行名字分割结果的列表，unlist会将所有行的名字元素合并成一个大向量，最后paste(collapse = "; ")把所有元素拼接成一个字符串，导致每一行都重复这个完整字符串。

解决方案 #

需要让函数逐行处理每个名字字符串，以下两种方法都可以解决：

方法1：使用rowwise()分组处理 #

library(dplyr)

x <- data.frame(
  names = c("Daenerys Targaryen, George R. R. Martin, Luís Inácio Lula da Silva",
            "Hadley Alexander Wickham, Joseph J. Allaire",
            "Stack Overflow"
            )
)

format_names <- function(variable) {
  variable %>%
    strsplit(", ") %>%
    unlist() %>% 
    gsub("(.*?) (\\w+$)", "\\U\\2\\E, \\1", ., perl = TRUE) %>%
    gsub(" ([A-Z])\\w*\\.?", " \\1.", .) %>%
    paste(collapse = "; ")
}

x %>% 
  rowwise() %>%  # 按行分组
  mutate(new_names = format_names(names)) %>%
  ungroup()  # 取消分组

方法2：使用purrr::map_chr()逐元素处理 #

library(dplyr)
library(purrr)

x %>% 
  mutate(new_names = map_chr(names, format_names))

两种方法都会让format_names函数单独处理每一行的名字字符串，最终new_names列会对应输出该行作者名字的格式化结果。

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