r - 将txt文件转换为dataframe

Question

我有一个 txt 文件，其中包含以下数据:

1 message («random_choice»)[5];
2 reply («принято»)[2][3];
3 regulate («random_choice»)[5];
4 Early reg («for instance»)[2][3][4];
4xx: Success (загрузка):
6 OK («fine»)[2][3];

我想把它变成数据框，由三列ID，消息，评论组成。 我还想删除方括号末尾不必要的数字。 ID 列中的某些值也有字符串(通常是 xx)。在这些情况下，列必须为空。 因此，期望的结果必须如下所示:

ID      Message        Comment
1       message     random_choice
2       reply       принято
3       regulate    random_choice
4       Early reg   for instance
        Success     загрузка
6       OK          fine

我怎样才能做到这一点？即使当我尝试读取这个 txt 文件时，我也会收到奇怪的错误:

df <- read.table("data_received.txt", header = TRUE)

我得到的错误:

Error in read.table("data_received.txt", header = TRUE) : 
  more columns than column names

Answer 1

您可以使用strcapture为此。

假数据，你可能会这样做txt <- readLines("data_received.txt") 。 (由于我在 Windows 上的语言环境对这些字符串不友好，我将用直接的 ascii 替换，假设它在您的系统上工作得很好。)

txt <- readLines(textConnection("1 message («random_choice»)[5];
# 2 reply («asdf»)[2][3];
# 3 regulate («random_choice»)[5];
# 4 Early reg («for instance»)[2][3][4];
# 4xx: Success (something):
# 6 OK («fine»)[2][3];"))

突破:

out <- strcapture("^(\\S+)\\s+([^(]+)\\s+\\((.*)\\).*$", txt, 
                  proto = data.frame(ID=0L, Message="", Comment=""))
# Warning in fun(mat[, i]) : NAs introduced by coercion
out
#   ID   Message         Comment
# 1  1   message «random_choice»
# 2  2     reply          «asdf»
# 3  3  regulate «random_choice»
# 4  4 Early reg  «for instance»
# 5 NA   Success       something
# 6  6        OK          «fine»

proto=参数指示生成什么类型​​的列。由于我设置了ID=0L ，它假设它是整数，所以任何不转换为整数的东西都会变成 NA (这满足了您第五行的遗漏)。

正则表达式的说明:

• 一般来说:
  • *表示零个或多个前一个字符(或字符类)
  • +表示一个或多个
  • ? (未使用，但仍然有用)表示零或一
  • ^和$分别表示字符串的开头和结尾(^ 内的 [..] 是不同的)
  • (...)是一个捕获组:非转义括号内的任何内容都会存储，任何不在的内容都会被丢弃
  • [...]是一个字符组，任何字符都是匹配项；如果是 [^..] ，然后它被反转:任何除了列出的内容
  • [[...]]是一个字符类
• ^(\\S+) ，以 ( ^ ) 一个或多个 ( + ) 非空格字符 ( \\S ) 开头；
• \\s+一个或多个空格字符 ( \\s )(丢弃)；
• ([^(]+)一个或多个不是左括号的字符；
• \\((.*)\\)$一个文字左括号( \\( )，然后零个或多个任何内容( .* )，一直到文字右括号( \\) ) )和字符串结尾( $ )。

需要注意的是\\s和\\S是非 POSIX 正则表达式字符，通常建议使用 [^[:space:]]对于 \\S (无空格字符)和 [[:space:]]对于 \\s 。这些是等效的，但我最初选择了代码高尔夫。通过这个替换，它看起来像

out <- strcapture("^([^[:space:]]+)[[:space:]]+([^(]+)[[:space:]]+\\((.*)\\).*$", txt,
                  proto = data.frame(ID=0L, Message="", Comment=""))