如何在R语言中从数据集的affiliation列提取城市？

我明白你想要从db$affiliation里提取每行最后一个出现的城市名称，放到新列db$cities里，没找到匹配城市就返回NA。之前的尝试没成功主要是因为只检查了拆分后的第一列，而且没有从后往前匹配城市列表。下面是具体的修正方案：

步骤1：加载所需包和城市数据 #

首先确保你安装了需要的包，然后加载它们和世界城市数据集：

# 安装依赖包（如果未安装过）
install.packages(c("maps", "splitstackshape", "dplyr"))

# 加载包
library(maps)
library(splitstackshape)
library(dplyr)

# 加载世界城市数据，并转成大写（匹配你的affiliation列的大写格式）
data(world.cities)
city_list <- toupper(world.cities$name)

步骤2：预处理affiliation列 #

先移除括号内的作者信息，再按逗号拆分内容：

# 移除方括号及内部的作者信息
db$affiliation_clean <- gsub("\\[[^\\]]*\\]", "", db$affiliation, perl = TRUE)

# 按", "拆分字符串到多列
db_split <- cSplit(db, "affiliation_clean", sep = ", ", type.convert = FALSE)

步骤3：定义函数提取最后一个匹配的城市 #

这个函数会接收每行拆分后的内容，从后往前找第一个出现在世界城市列表里的元素：

get_last_city <- function(row_elements) {
  # 把行内容转成字符向量，去掉空值
  elements <- na.omit(as.character(row_elements))
  # 检查每个元素是否在城市列表里
  is_city <- elements %in% city_list
  
  # 如果有匹配的，返回最后一个（也就是从后往前第一个）；否则返回NA
  if (any(is_city)) {
    return(elements[max(which(is_city))])
  } else {
    return(NA_character_)
  }
}

步骤4：应用函数到所有行 #

提取拆分后的所有相关列，对每行应用函数得到cities列：

# 筛选出所有拆分后的affiliation_clean_开头的列
city_columns <- grep("^affiliation_clean_", names(db_split), value = TRUE)

# 对每行应用函数，生成cities列
db$cities <- apply(db_split[, city_columns], 1, get_last_city)

关于你之前尝试的问题说明 #

你之前只检查了affiliation_1列，但城市往往出现在后面的列（比如你的第一个示例里城市在第3列，第三个示例也在第3列）。另外你的第二个示例里，TWENTE是大学名称，不是城市，实际对应的城市是ENSCHEDE，这个会被正确提取出来。

内容的提问来源于stack exchange，提问作者Marco C