根据时间范围变量重复行 - R

Question

我的数据中有一个列变量，它是一个时间范围:datesowned。样本数据如下:

name datesemployed        university   
Kate Oct 2015 – Jan 2016  Princeton
Sue  Nov 2015 – Dec 2017  Pomona

我想分隔行，以便时间范围内的每一年都有自己的行:

name datesemployed  university   
Kate  2015          Princeton
Kate  2016          Princeton
Sue   2015          Pomona
Sue   2016          Pomona
Sue   2017          Pomona

在separate post中，解决方案是根据 - 分隔行。但该解决方案仅在时间范围始终为一年的情况下才有效。例如，如果数据是 2015-2017，我将缺少 2016 的一行。

上一个答案中的 separate_rows 语法对我来说很有意义，但我不确定如何使其适应这种情况，或者是否有可能这样做。我还发现，对于大数据帧(~1000 个观察值)，separate_rows 非常慢，并且对我来说会卡住 R。

Answer 1

我们可以使用 str_extract_all 提取“年份”部分，然后通过循环 list 列并取消嵌套输出来执行序列

library(dplyr)
library(tidyr)
library(stringr)
df1 %>%
    mutate(datesemployed = map(str_extract_all(datesemployed, 
          "\\d+"),  ~as.numeric(.x[1]):as.numeric(.x[2]))) %>% 
    unnest(c(datesemployed))
# A tibble: 5 x 3
#  name  datesemployed university
#  <chr>         <int> <chr>     
#1 Kate           2015 Princeton 
#2 Kate           2016 Princeton 
#3 Sue            2015 Pomona    
#4 Sue            2016 Pomona    
#5 Sue            2017 Pomona   

---

或者另一种选择是在“受雇日期”上使用separate_rows，然后在按“name”、“university”分组后使用complete，我们可以扩展数据

df1 %>%
    separate_rows(datesemployed, sep= "\\s*–\\s*") %>% 
    mutate(datesemployed = readr::parse_number(datesemployed)) %>% 
    group_by(name, university)  %>%
    complete(datesemployed =min(datesemployed):max(datesemployed))

---

或者在基础R中

lst1 <- lapply(gsub(".*\\s+(\\d+)\\D+(\\d+)", "\\1:\\2", 
      df1$datesemployed), function(x) eval(parse(text = x)))
transform(df1[rep(seq_len(nrow(df1)), lengths(lst1)), c("name", "university")],
         datesemployed = unlist(lst1))

数据

df1 <- structure(list(name = c("Kate", "Sue"), datesemployed = 
    c("Oct 2015 – Jan 2016", 
"Nov 2015 – Dec 2017"), university = c("Princeton", "Pomona"
)), class = "data.frame", row.names = c(NA, -2L))