是否有更“r”的方法从data.table中的列中将更长的字符串中的两个有意义的字符子串起来？
我有一个data.table，其中包含一个带有“度字符串”的列...有人获得的学位和毕业年份的简写代码。
> srcDT<- data.table(
alum=c("Paul Lennon","Stevadora Nicks","Fred Murcury"),
degree=c("W72","WG95","W88")
)
> srcDT
alum degree
1: Paul Lennon W72
2: Stevadora Nicks WG95
3: Fred Murcury W88
我需要从学位中提取年份的数字，并将其放在一个名为“degree_year”的新栏目中
没问题：
> srcDT[,degree_year:=substr(degree,nchar(degree)-1,nchar(degree))]
> srcDT
alum degree degree_year
1: Paul Lennon W72 72
2: Stevadora Nicks WG95 95
3: Fred Murcury W88 88
如果只是那么简单。 问题是，度数字符串有时只是如上所示。更常见的是，它们看起来像这样：
srcDT<- data.table(
alum=c("Ringo Harrison","Brian Wilson","Mike Jackson"),
degree=c("W72 C73","WG95 L95","W88 WG90")
)
我只对我关心的角色旁边的2个数字感兴趣：W＆amp;工作组（如果W和工作组都在那里，我只关心工作组）
以下是我如何解决它：
x <-srcDT$degree ##grab just the degree column
z <-character() ## create an empty character vector
degree.grep.pattern <-c("WG[0-9][0-9]","W[0-9][0-9]")
## define a vector of regex's, in the order
## I want them
for(i in 1:length(x)){ ## loop thru all elements in degree column
matched=F ## at the start of the loop, reset flag to F
for(j in 1:length(degree.grep.pattern)){
## loop thru all elements of the pattern vector
if(length(grep(degree.grep.pattern[j],x[i]))>0){
## see if you get a match
m <- regexpr(degree.grep.pattern[j],x[i])
## if you do, great! grab the index of the match
y<-regmatches(x[i],m) ## then subset down. y will equal "WG95"
matched=T ## set the flag to T
break ## stop looping
}
## if no match, go on to next element in pattern vector
}
if(matched){ ## after finishing the loop, check if you got a match
yr <- substr(y,nchar(y)-1,nchar(y))
## if yes, then grab the last 2 characters of it
}else{
#if you run thru the whole list and don't match any pattern at all, just
# take the last two characters from the affilitation
yr <- substr(x[i],nchar(as.character(x[i]))-1,nchar(as.character(x[i])))
}
z<-c(z,yr) ## add this result (95) to the character vector
}
srcDT$degree_year<-z ## set the column to the results.
> srcDT
alum degree degree_year
1: Ringo Harrison W72 C73 72
2: Brian Wilson WG95 L95 95
3: Mike Jackson W88 WG90 90
这很有效。 100％的时间。没有错误，没有错误匹配。 问题是：它没有扩展。给定一个包含10k行或100k行的数据表，它确实会变慢。
有更聪明，更好的方法吗？这个解决方案对我来说非常“C”。不是很“R”。
关于改进的想法？
注意：我给出了一个简化的例子。在实际数据中，大约有30种不同的度数组合，并且结合不同的年份，有540种独特的度数字符串组合。 另外，我给了仅有2个模式匹配的degree.grep.pattern。在我正在做的实际工作中，有7或8种模式可供匹配。
答案 0 :(得分：5)
看起来（根据OP）评论，没有"WG W"的情况，那么一个简单的正则表达式解决方案就可以完成这项工作
srcDT[ , degree_year := gsub(".*WG?(\\d+).*", "\\1", degree)]
srcDT
# alum degree degree_year
# 1: Ringo Harrison W72 C73 72
# 2: Brian Wilson WG95 L95 95
# 3: Mike Jackson W88 WG90 90
答案 1 :(得分：4)
这是一个基于以下假设的解决方案，其中包含W的最新学位：
regex <- "(?<=W|(?<=W)G)[0-9]{2}"
srcDT[ , degree_year :=
sapply(regmatches(degree,
gregexpr(regex, degree, perl = TRUE)),
function(x) max(as.integer(x)))]
> srcDT
alum degree degree_year
1: Ringo Harrison W72 C73 72
2: Brian Wilson WG95 L95 95
3: Mike Jackson W88 WG90 90
你说：
我只给了
degree.grep.pattern两个模式来匹配。在我正在做的实际工作中，有7或8种模式可供匹配。
但我不确定这意味着什么。除了W和WG之外还有更多选项吗？
答案 2 :(得分：1)
这是一个快速黑客：
# split all words from degree and order so that WG is before W
words <- lapply(strsplit(srcDT$degree, " "), sort, decreasing=TRUE)
# obtain tags for each row (getting only first. But works since ordered)
tags <- mapply(Find, list(function(x) grepl("^WG|^W", x)), words)
# simple gsub to remove WG and W
(result <- gsub("^WG|^W", "", tags))
[1] "72" "95" "90"
快速行100k行。
答案 3 :(得分：0)
没有正则表达式的解决方案，它创建稀疏表格时速度很慢......但它干净灵活，所以我把它放在这里。
首先，我按空间分割学位年份，然后浏览它们并构建一个干净的结构化表格，每个学位一列，我用多年填充它。
degreeyear_split <- sapply(srcDT$degree,strsplit," ")
for(i in 1:nrow(srcDT)){
for (degree_year in degreeyear_split[[i]]){
n <- nchar(degree_year)
degree <- substr(degree_year,1,n-2)
year <- substr(degree_year,n-1,n)
srcDT[i,degree] <- year
}}
这里我有我的结构表，我在我感兴趣的年份粘贴W，然后将WG粘贴在它上面。
srcDT$year <- srcDT$W
srcDT$year[srcDT$WG!=""]<-srcDT$WG[srcDT$WG!=""]
然后是你的结果：
srcDT
alum degree W C WG L year
1: Ringo Harrison W72 C73 72 73 72
2: Brian Wilson WG95 L95 95 95 95
3: Mike Jackson W88 WG90 88 90 90