文本挖掘：如何从建筑计划自由文本字段拆分建筑数量与类型？

嘿，我来帮你搞定这个问题！你需要从自由文本的建筑计划里拆分出建筑数量和对应的建筑类型，而且已经有了参考的类型列表，咱们用stringr包（R里处理字符串的利器）就能轻松实现，下面是具体步骤：

步骤1：准备数据和必要的包 #

首先加载处理字符串和数据框的工具包，然后定义你的原始数据：

# 加载需要的包
library(stringr)
library(dplyr)

# 原始计划文本
Plans <- c("build 10 houses ", "5 luxury apartments with sea view", "renovate 20 cottages"," transform 2 bungalows and a school", "1 hotel")
# 参考建筑类型列表
Types <- c("houses", "cottages", "bungalows", "luxury apartments")

步骤2：构建精准的类型匹配规则 #

因为你的类型列表里有像luxury apartments这种多词的类型，咱们得先把类型按长度从长到短排序，这样长类型会优先被匹配，避免被短类型截断（比如不会把luxury apartments误判成apartments）：

# 按类型长度倒序排序，确保多词类型优先匹配
sorted_types <- Types[order(-nchar(Types))]
# 构建正则匹配模式，\\b保证匹配完整单词
type_pattern <- paste0("\\b(", paste(sorted_types, collapse = "|"), ")\\b")

步骤3：提取建筑数量 #

用正则\\d+匹配文本里的数字（一个或多个连续数字），提取后转成整数类型：

Number <- str_extract(Plans, "\\d+") %>% as.integer()

步骤4：提取并转换建筑类型 #

先匹配参考列表里的类型，再根据你的期望输出（把luxury apartments转为apartments）做映射替换：

# 提取匹配到的参考类型
Type <- str_extract(Plans, type_pattern)

# 构建类型映射，把带修饰词的类型转为你想要的简化名称
type_mapping <- c(
  "luxury apartments" = "apartments",
  "houses" = "houses",
  "cottages" = "cottages",
  "bungalows" = "bungalows"
)
# 替换类型名称
Type <- type_mapping[Type]

步骤5：组合结果并过滤无效记录 #

把数量和类型组合成数据框，同时过滤掉没有匹配到参考类型的记录（比如1 hotel，因为hotel不在你的参考列表里）：

result <- tibble(Number, Type) %>%
  filter(!is.na(Type))

# 查看结果
print(result)

运行后你会得到完全符合期望的输出：

# A tibble: 4 × 2
  Number Type      
   <int> <chr>     
1     10 houses    
2      5 apartments
3     20 cottages  
4      2 bungalows 

为什么之前的尝试没成功？ #

• 用grep只能筛选出包含类型的文本，但无法拆分数字和类型；
• 直接用str_split_fixed结合[:digit:]/[:alpha:]的话，无法处理多词类型（比如luxury apartments会被拆成多个部分），也没法精准匹配你的参考类型列表。

如果不想用dplyr，用基础R也能实现，把最后一步换成：

result <- data.frame(Number, Type)
result <- result[!is.na(result$Type), ]

内容的提问来源于stack exchange，提问作者Babette