Question

此问题类似于上一个问题Import all fields (and subfields) of XML as dataframe，但我想只提取XML数据的一个子集，并希望包含缺失/多个值。

我从一个XML文件开始，想要根据它包含的一些数据在R中构造一个数据帧，由XML元素的内容定义。用一个例子来解释是最容易的。在下面，我想要找出每个城市的地标信息（即使没有地标元素或有几个），并忽略有关电台的信息。

<world>
    <city>
        <name>London</name>
        <buildings>
            <building>
                <type>landmark</type>
                <bname>Tower Bridge</bname>
            </building>
            <building>
                <type>station</type>
                <bname>Waterloo</bname>
            </building>
        </buildings>
    </city>
    <city>
        <name>New York</name>
        <buildings>
            <building>
                <type>station</type>
                <bname>Grand Central</bname>
            </building>
        </buildings>
    </city>
    <city>
        <name>Paris</name>
        <buildings>
            <building>
                <type>landmark</type>
                <bname>Eiffel Tower</bname>
            </building>
            <building>
                <type>landmark</type>
                <bname>Louvre</bname>
            </building>
        </buildings>
    </city>
</world>

理想情况下，这将进入一个看起来像这样的数据框：

 London      Tower Bridge
 New York    NA
 Paris       Eiffel Tower
 Paris       Louvre

我认为可能有一种方法可以使用XML库和xpathSApply进行此操作，但我认为我被打败了。

也无法想到如何在不参考示例的情况下对问题进行说明，因此请随意编辑以提供更具描述性的问题。

Answer 1

假设XML数据位于名为world.xml的文件中，请将其读入并遍历提取城市name的城市以及任何相关地标的bname：

library(XML)
doc <- xmlParse("world.xml", useInternalNodes = TRUE)

do.call(rbind, xpathApply(doc, "/world/city", function(node) {

   city <- xmlValue(node[["name"]])

   xp <- "./buildings/building[./type/text()='landmark']/bname"
   landmark <- xpathSApply(node, xp, xmlValue)
   if (is.null(landmark)) landmark <- NA

   data.frame(city, landmark, stringsAsFactors = FALSE)

}))

结果是：

      city     landmark
1   London Tower Bridge
2 New York         <NA>
3    Paris Eiffel Tower
4    Paris       Louvre

Answer 2

您可以使用xmlToList然后使用plyr来获取可以使用的数据框

require(XML)
require(plyr)
xD <- xmlParse(xData)
xL <- xmlToList(xD)
ldply(xL, data.frame)
> ldply(xL, data.frame)
   .id     name buildings.building.type buildings.building.bname
1 city   London                landmark             Tower Bridge
2 city New York                 station            Grand Central
3 city    Paris                landmark             Eiffel Tower
  buildings.building.type.1 buildings.building.bname.1
1                   station                   Waterloo
2                      <NA>                       <NA>
3                  landmark                     Louvre

您可以从此数据框中选择所需内容

Answer 3

有一个解决方案xpathSapply但是在这里编写xpath有点复杂。所以，在这里，我提出了一个使用xmlToDataFrame并使用一些正则表达式来获取建筑物的解决方案。

dd <- xmlToDataFrame(doc)
rr <- gsub('landmark',',',dd$buildings)
rr <- gsub('station.*','',rr)
builds <- lapply(strsplit(gsub('station.*','',rr),','),
                 function(x)x[nchar(x)>0])
dd$buildings <- builds

    name            buildings
1   London         Tower Bridge
2 New York                     
3    Paris Eiffel Tower, Louvre

Answer 4

如果您希望完全重现您在问题中显示的所需输出，可以将XML转换为列表，然后提取所需的信息：

xml_list <- xmlToList(xmlParse(xml_data))

首先遍历每个“building”节点并删除包含“station”的节点：

xml_list <- lapply(xml_list, lapply, function(x) {
  x[!sapply(x, function(y) any(y == "station"))]
})

然后将每个城市的数据收集到数据框中

xml_list <- lapply(xml_list, function(x) {
  bldgs <- unlist(x$buildings)
  bldgs <- bldgs[bldgs != "landmark"]
  if(is.null(bldgs)) bldgs <- NA
  data.frame(
    "city" = x$name,
    "landmark" = bldgs,
    stringsAsFactors = FALSE)
})

然后将来自所有城市的信息组合在一起：

xml_output <- do.call("rbind", xml_list)
xml_output
           city     landmark
city     London Tower Bridge
city1  New York         <NA>
city.1    Paris Eiffel Tower
city.2    Paris       Louvre

当值为多个或缺失时，来自XML的R数据帧

4 个答案: