Tengo un fichero en excel con textos de este estilo.
text <- c("RAMI? 1/2N Y CAJAL","RAMON Y CAJAL","SAN AGUSTI? 1/2N","SAN AGUSTÌN","LOS I? 1/2NGELES")
[1] "RAMI? 1/2N Y CAJAL" "RAMON Y CAJAL"
[3] "SAN AGUSTI? 1/2N" "SAN AGUSTIN"
[5] "LOS I? 1/2NGELES"
Es decir, el fallo viene de origen, no es al abrirlo con R.
Alguna idea para no tener que ir uno a uno?
text2 <- gsub("RAMI\\? 1\\/2N Y CAJAL", "RAMON Y CAJAL", text )
text2 <- gsub("SAN AGUSTI\\? 1\\/2N", "SAN AGUSTIN", text2 )
text2 <- gsub("LOS I\\? 1\\/2NGELES", "LOS ANGELES", text2 )
[1] "RAMON Y CAJAL" "RAMON Y CAJAL" "SAN AGUSTIN"
[4] "SAN AGUSTIN" "LOS ANGELES"
No sé si existe alguna librería diseñada para esto.
I? 1/2
vale tanto para laÍ
, laÁ
y laÓ
. ¿cómo podemos saber a cual de ellas correspondería?. Se me ocurre tener un diccionario tipo RAE y validar si la palabra esRAMÓN
,RAMÍN
oRAMÁN
pero dudo que resuelva todos los casos.