我正在寻找以下问题的更短、更漂亮的解决方案(可能在 tidyverse 中)。我有一个数据框“数据”:
id string
1 A 1.001 xxx 123.123
2 B 23,45 lorem ipsum
3 C donald trump
4 D ssss 134, 1,45
我想做的是提取所有数字(无论分隔符是“.”还是“,” -> 在这种情况下,我假设字符串“134, 1,45”可以提取成两个数字: 134 和 1.45) 并创建一个类似于此的 data.frame“输出”:
id string
1 A 1.001
2 A 123.123
3 B 23.45
4 C <NA>
5 D 134
6 D 1.45
我设法做到了这一点(下面的代码),但解决方案对我来说非常难看,而且效率不高(两个 for 循环)。有人可以建议一个更好的方法来做到这一点(最好使用 dplyr)
# data
data <- data.frame(id = c("A", "B", "C", "D"),
string = c("1.001 xxx 123.123",
"23,45 lorem ipsum",
"donald trump",
"ssss 134, 1,45"),
stringsAsFactors = FALSE)
# creating empty data.frame
len <- length(unlist(sapply(data$string, function(x) gregexpr("[0-9]+[,|.]?[0-9]*", x))))
output <- data.frame(id = rep(NA, len), string = rep(NA, len))
# main solution
start = 0
for(i in 1:dim(data)[1]){
tmp_len <- length(unlist(gregexpr("[0-9]+[,|.]?[0-9]*", data$string[i])))
for(j in (start+1):(start+tmp_len)){
output[j,1] <- data$id[i]
output[j,2] <- regmatches(data$string[i], gregexpr("[0-9]+[,|.]?[0-9]*", data$string[i]))[[1]][j-start]
}
start = start + tmp_len
}
# further modifications
output$string <- gsub(",", ".", output$string)
output$string <- as.numeric(ifelse(substring(output$string, nchar(output$string), nchar(output$string)) == ".",
substring(output$string, 1, nchar(output$string) - 1),
output$string))
output
最佳答案
1) Base R 这使用相对简单的正则表达式,没有包。
在前两行代码中,将任何逗号后跟一个空格替换为
空格,然后用点替换所有剩余的逗号。在这两行之后 s
将是:c("1.001 xxx 123.123", "23.45 lorem ipsum", "donald trump", "ssss 134 1.45")
在接下来的 4 行代码中,修剪每个字符串字段开头和结尾的空格,并在空格处拆分字符串字段,生成一个
列表。 grep
找出那些仅由数字和点组成的元素。 (正则表达式 ^[0-9.]*$
匹配单词开头后跟零个或多个数字或点后跟单词结尾,因此只匹配仅包含这些字符的单词.) 用 NA 替换任何零长度组件。最后添加 data$id
作为名称。在这 4 行运行之后,列表 L
将是 list(A = c("1.001", "123.123"), B = "23.45", C = NA, D = c( "134", "1.45"))
.
在最后一行代码中,将列表 L
转换为具有适当名称的数据框。
s <- gsub(", ", " ", data$string)
s <- gsub(",", ".", s)
L <- strsplit(trimws(s), "\\s+")
L <- lapply(L, grep, pattern = "^[0-9.]*$", value = TRUE)
L <- ifelse(lengths(L), L, NA)
names(L) <- data$id
with(stack(L), data.frame(id = ind, string = values))
给予:
id string
1 A 1.001
2 A 123.123
3 B 23.45
4 C <NA>
5 D 134
6 D 1.45
2) magrittr (1) 的这种变体将其写为 magrittr 管道。
library(magrittr)
data %>%
transform(string = gsub(", ", " ", string)) %>%
transform(string = gsub(",", ".", string)) %>%
transform(string = trimws(string)) %>%
with(setNames(strsplit(string, "\\s+"), id)) %>%
lapply(grep, pattern = "^[0-9.]*$", value = TRUE) %>%
replace(lengths(.) == 0, NA) %>%
stack() %>%
with(data.frame(id = ind, string = values))
3) dplyr/tidyr 这是使用 dplyr 和 tidyr 的替代管道解决方案。 unnest
转换为长格式,id
成为因素,以便我们稍后可以使用 complete
恢复被后续过滤删除的 id,过滤器删除垃圾行,complete
为每个不会出现的 id
插入 NA 行。
library(dplyr)
library(tidyr)
data %>%
mutate(string = gsub(", ", " ", string)) %>%
mutate(string = gsub(",", ".", string)) %>%
mutate(string = trimws(string)) %>%
mutate(string = strsplit(string, "\\s+")) %>%
unnest() %>%
mutate(id = factor(id))
filter(grepl("^[0-9.]*$", string)) %>%
complete(id)
4) data.table
library(data.table)
DT <- as.data.table(data)
DT[, string := gsub(", ", " ", string)][,
string := gsub(",", ".", string)][,
string := trimws(string)][,
string := setNames(strsplit(string, "\\s+"), id)][,
list(string = list(grep("^[0-9.]*$", unlist(string), value = TRUE))), by = id][,
list(string = if (length(unlist(string))) unlist(string) else NA_character_), by = id]
DT
更新 删除了垃圾词没有数字或点的假设。还添加了 (2)、(3) 和 (4) 以及一些改进。
关于regex - R - 提取所有匹配模式的字符串并创建关系表,我们在Stack Overflow上找到一个类似的问题: https://stackoverflow.com/questions/38631811/