我有一个大约 20 页、大约 200 个段落的文本文件。每个段落包含三行描述一个人的信息,如下所示:
Name: John
Age: 26
Phone number: 123421
Name: Mary
Age: 80
Phone number: NA
...
现在我希望将这个大文件转换为一个数据框,其中列代表三个变量名称、年龄和电话号码,行对应于人员。
Name Age Phone number
John 26 123421
Mary 80 NA
... ... ...
如何将大文本文件转换为这样的数据框?
最佳答案
不太漂亮,但这里有一个正则表达式选项,它的工作原理取决于数据的读入方式,
test<-
"Name: John
Age: 26
Phone number: 123421
Name: Mary
Age: 80
Phone number: NA
"
读作:
[1] "Name: John\nAge: 26\nPhone number: 123421\n\nName: Mary\nAge: 80\nPhone number: NA\n"
现在使用正则表达式来获取所有匹配项,始终捕获 NA 以确保相同的行数:
Names<-regmatches(test, gregexpr("(?<=Name: )[a-zA-Z]+", test, perl=TRUE))
Numbers<-regmatches(test, gregexpr("(?<=Phone number: )[a-zA-Z0-9]+", test, perl=TRUE))
Age<-regmatches(test, gregexpr("(?<=Age: )[a-zA-Z0-9]+", test, perl=TRUE))
df<-data.frame(Names,Numbers,Age)
names(df)<-c("Name","Number","Age")
> df
Name Number Age
1 John 123421 26
2 Mary NA 80
如果使用 read.csv
读取数据,则以下是如何格式化此方法的数据。
test<-read.csv(text=test, header=F, stringsAsFactors=FALSE)
test<-list(test$V1)
test<-paste(unlist(test), collapse =" ")
>test
[1] "Name: John Age: 26 Phone number: 123421 Name: Mary Age: 80 Phone number: NA"
如果您的姓氏是我们的正则表达式 Names
参数也需要改变:
(?<=Name: ).+?(?=Age)
关于r - 使用 R 将大型文本文件构建为数据框,我们在Stack Overflow上找到一个类似的问题: https://stackoverflow.com/questions/54712257/