Divide bibliographic references into columns in R

Asked

Viewed 62 times

-1

I am with df which contains several bibliographic references. My intention is to divide these references into the following columns: "Author", "Title", "Periodico", "Data of the Periodico" (volume, pages) and "Year" The point is that the references have no pattern.

Follow a section of the df

ref<- data.frame(artigo=c("AZEVEDO, L. S. ; NASCIMENTO, E. F. ; CANDEIAS, A. L. B. . Estudo da extração de bordas de reservatório utilizando múltiplas técnicas de fusão de imagens. JOURNAL OF HYPERSPECTRAL REMOTE SENSING, v. 8, p. 95-105, 2019.",
                          "BERGER, R. ; SILVA, J. A. A. ; FERREIRA, R. L. C. ; CANDEIAS, A. L. B. ; RUBILAR, R. . Índices de vegetação para a estimativa do Índice de Área Foliar em plantios clonais de Eucalyptus saligna Smith. CIÊNCIA FLORESTAL (ONLINE), v. 29, p. 885, 2019.",
                          "AZEVEDO, L. S. ; CANDEIAS, ANA LÚCIA BEZERRA . Quantitative and qualitative analysis of the IHS fusion technique applied to Landsat8 satellite images. JOURNAL OF HYPERSPECTRAL REMOTE SENSING, v. 9, p. 21-29, 2019.",
                          "SILVA, JADSON FREIRE ; MIRANDA, RODRIGO QUEIROGA ; CANDEIAS, ANA LÚCIA BEZERRA . Uma nova forma de análise bibliométrica ? NAILS (Network Analysis Interface for Literature Studies): Procedimentos essenciais para pesquisadores brasileiros. Revista Brasileira de Meio Ambiente, v. 7, p. 13-28, 2019.",
                          "Oliveira, Claudianne Brainer de Souza ; CANDEIAS, ANA LÚCIA BEZERRA ; TAVARES JUNIOR, J. R. . Utilização de índices físicos a partir de imagens OLI ? TIRS para o mapeamento de uso e cobertura da terra no entorno do aeroporto internacional do Recife/Guararapes ? Gilberto Freire. REVISTA BRASILEIRA DE GEOGRAFIA FÍSICA, v. 12, p. 1039-1053, 2019.",
                          "SANTOS, AMANDA PEREIRA; SILVA, EDER BATISTA DA ; CANDEIAS, ANA LÚCIA BEZERRA ; COSTA, MARIA APARECIDA TENÓRIO DA . Educação critica: uma aliança entre Educação Ambiental e M-learning. EDUCAÇÃO (SANTA MARIA. ONLINE), v. 44, p. 86, 2019.",
                          "SILVA, JADSON FREIRE ; PAZ, YENÊ MEDEIROS ; LIMA-SILVA, Pedro Paulo ; PEREIRA, João Antônio dos Santos ; CANDEIAS, ANA LÚCIA BEZERRA . Índices de vegetação do Sensoriamento Remoto para processamento de imagens na faixa do visível (RGB). JOURNAL OF HYPERSPECTRAL REMOTE SENSING, v. 9, p. 228-239, 2019.",
                          "ALEXANDRE, Fernando da Silva ; CANDEIAS, ANA LÚCIA BEZERRA ; GOMES, Daniel Dantas Moreira . Modelagem cartográfica para a delimitação das paisagens da bacia hidrográfica do Alto Curso do Rio Mundaú - Pernambuco/Alagoas, Nordeste, Brasil. REVISTA BRASILEIRA DE GEOGRAFIA FÍSICA, v. 12, p. 2489-2502, 2019."))

Is there any possibility of making this division using stringr, for example?

I managed to work with a single reference...

referencia.1<- c("AZEVEDO, L. S. ; NASCIMENTO, E. F. ; CANDEIAS, A. L. B. . Estudo da extração de bordas de reservatório utilizando múltiplas técnicas de fusão de imagens. JOURNAL OF HYPERSPECTRAL REMOTE SENSING, v. 8, p. 95-105, 2019.")
str_sub(referencia.1, start = -5, end = -2 )

[1] "2019"

...but not with the entire dataset

str_sub(ref, start = -5, end = -2)

Warning message:
  In stri_sub(string, from = start, to = end) :
  argument is not an atomic vector; coercing

Besides, how to go extracting these values in separate columns? For example: put the "2019" I removed in a "year" column"?

r substring stringr

  • As the most complicated part seems to be identifying who the authors are in the string home, I would do something in parts. First, I would extract the last four digits of each reference to have the year. From what is left, I would extract the string from v. to have the data of the journal. What was left of it, I would extract what came from the last point, to have the name of the journal. What was left of this, I would extract again what came from the last point, to have the name of the article. What was left in the end would be the authors.

  • Logically, if any of these references are not exactly the pattern of the given examples (e.g. some article title with .), this method would fail.

  • Marcos, thank you. I would know the way to extract only the last 4 digits?

1 answer

3


References follow a pattern, only not size. The general format is:

SURNAME, FIRST NAME; SURNAME, FIRST NAME . Title of the article. TITLE OF THE CALENDAR, v. X, p. X-X, YEAR.

As fields are delimited by combinations of semicolons, you can separate them sequentially:

library(stringr)

# Separa os autores:
spli1 <- str_split(ref$artigo, " \\. ", simplify = TRUE)

# Separa o título dos artigos:
spli2 <- str_split_fixed(spli1[, 2], "\\. ", 2)

# Separa título, volume, páginas e ano:
spli3 <- str_split(spli2[, 2], ", ", simplify = TRUE)

referencias.df <- data.frame(
  autores = str_to_upper(gsub(" ;", ";", spli1[, 1])),
  titulo = spli2[, 1],
  periodico = str_to_title(spli3[, 1]),
  volume = sub("v. ", "", spli3[, 2]),
  pagina = sub("p. ", "", spli3[, 3]),
  ano = as.integer(sub("\\.", "", spli3[, 4]))
)


> referencias.df[1:2,]
                                                                          autores
1                            AZEVEDO, L. S.; NASCIMENTO, E. F.; CANDEIAS, A. L. B.
2 BERGER, R.; SILVA, J. A. A.; FERREIRA, R. L. C.; CANDEIAS, A. L. B.; RUBILAR, R.
                                                                                                          titulo
1                  Estudo da extração de bordas de reservatório utilizando múltiplas técnicas de fusão de imagens
2 Índices de vegetação para a estimativa do Índice de Área Foliar em plantios clonais de Eucalyptus saligna Smith
                                periodico volume pagina  ano
1 Journal Of Hyperspectral Remote Sensing      8 95-105 2019
2              Ciência Florestal (Online)     29    885 2019

  • This lobster is too good, nam. Another level

  • Carlos Eduardo, EXCELLENT your solution. I read and reread your code. I understood almost everything, I only had a doubt: why when you build the "references.df" you use "gsub" in "authors" and "sub" in the others? In other words: what is the difference between "gsub" and "sub"? When to use one or the other?

  • 1

    The g means "global". sub replaces the first occurrence, gsub replaces all. P.e. sub("a", "b", "1a2a3a") returns "1b2a3a"; gsub("a", "b", "1a2a3a") returns "1b2b3b". In your case, to clear the volume and page numbers, it makes no difference, it is more my habit to only use gsub when necessary.

Browser other questions tagged r substring stringr

You are not signed in. Login or sign up in order to post.