Question

我有一种感觉这可能是一个简单的问题，但我现在已经搜索过一段时间了，发现了许多有趣的相关Q / A，我仍然难过。

这是我需要学习的内容（诚实地说，我正在使用kaggle Titanic数据集，但我想使用data.table）...

假设您有以下data.table：

dt <- data.table(name=c("Johnston, Mr. Bob", "Stone, Mrs. Mary", "Hasberg, Mr. Jason"))

我希望我的输出只是标题“先生”，“太太”和“先生” - 哎呀，我们也可以省去这段时间。

我一直在玩（整夜）并发现使用正则表达式可能会得到答案，但我只能使用单个字符串，而不是使用整个data.table。< / p>

例如，

substr(dt$name[1], gregexpr(",.", dt$name[1]), gregexpr("[.]", dt$name[1]))

返回：

[1] ", Mr."

哪个很酷，我可以做一些进一步的处理来摆脱“，”和“。”，但是，我的乐观主义者（/优化者）觉得那是丑陋的，粗暴的，无懈可击的。

此外，即使我想解决这个问题，（我也很难承认）我不知道如何将其应用到数据J中。...

那么，如何在dt中添加一个名为“Title”的列，其中包含：

[1] "Mr"
[2] "Mrs"
[3] "Mr"

我坚信，如果我能够使用正则表达式来选择和提取data.table中的数据，那么我每天可能会使用100x。所以，先谢谢你帮我弄清楚这个关键技术。

PS。我是一个优秀的难民，在excel我会这样做：

=mid(data, find(", ", data), find(".", data))

Answer 1

嗯..我可能已经弄清楚了：

dt[, Title:=sub(".*?, (.*?)[.].*", "\\1", name)]

但是我会把这个留在这里以防万一其他人需要帮助，或者或许还有更好的方法来做到这一点！

Answer 2

您可以使用stringr包

library(stringr)
str_extract(dt$name, "M.+\\.")

[1] "Mr."  "Mrs." "Mr."

正则表达式的不同变体将允许您提取其他标题，如Dr.，Master或Reverend，这些也可能是您感兴趣的。

获取＆＃34;，＆＃34;之间的所有字符和＆＃34;。＆＃34; （包括）你可以使用

str_extract(dt$name, ",.+\\.")

然后使用str_sub（也来自stringr包）删除结果的第一个和最后一个字符。

但是当我考虑更多时，我可能会使用grepl为泰坦尼克号数据集中的所有不同标题创建指标变量。例如

dr_ind <- grepl("Dr|Doctor", dt$name)
titled_ind <- grepl("Count|Countess|Baron", dt$name)

等