Question

我的数据框中包含如下所示的文本行：

         ANTALYA (GB) ch. 1960
    SHOOTIN WAR (USA) ch. 1998
    LORD AT WAR (ARG) ch. 1980

全部大写是名称，然后是（），颜色缩写，年份的位置。名称可以是多个单词。我想将这个单个文本块分成每个组件：名称，位置，颜色，年份。我已经和它斗争了好几天了，我所拥有的最好的工作解决方案是将每个单词放在不同的列中，但它只有在名称都是一定长度时才有效...对于我正在做的事情数据，我可以在这种形式下使用它，但它看起来不太好，你知道吗？

sepdf <- df %>% 
           separate(pedigree, into=c("Name1", "Name2", "Loc", "Col", "Year"), 
                    sep=" ", merge=TRUE)

我尝试使用“（”作为2列之间的分隔符来保持名称，但我不认为R喜欢我试图使用括号作为分隔符...

任何建议都会非常值得赞赏。

Answer 1

对于像你这样更复杂的模式匹配，你可以使用tidyr的extract函数，它可以让你创建正则表达式捕获组。每个组都在一组括号内（()）：

library(tidyr)
extract(df, pedigree, into = c("Name", "Loc", "Col", "Year"), 
           regex = "^([A-Z ]+) \\((.*)\\) ([a-z]+\\.) (\\d+)$")
         Name Loc Col Year
1     ANTALYA  GB ch. 1960
2 SHOOTIN WAR USA ch. 1998
3 LORD AT WAR ARG ch. 1980

我在这里使用的正则表达式是：

^字符串的开头
([A-Z ]+)第一组包含多个大写字母和空格
\\(然后有一个空格和一个左括号（用\ _进行转义）
(.*)第二组是括号中的任何内容
\\)后跟一个右括号和一个空格
([a-z]+\\.)第三组包含小写字母和一个点
(\\d+)然后是空格，第四组只包含数字
$字符串结尾

将文本行分隔为数据框的列

1 个答案: