Question

我的数据框如下：

plan     address                                                                 preferred
S3440    5301 E Huron River Dr Rm 1538 Ann Arbor, MI 48106 1-734-712-2492, xxx   Not applicable
S3440    2140 E Ellsworth Rd Ann Arbor, MI 48108 1-734-477-9006, xxx             Not applicable
S3440    2215 Fuller Road Ann Arbor, MI 48105 1-734-761-7933, xxx                Not applicable

等。约27000s行值。地址选项卡后面的电话号码后面有更多，为了简洁我省略了它。

我想拆分地址，基本上删除电话号码及其后的所有内容。我通过正则表达式能够做到这一点：

 str_split(x,'( [0-9]-[0-9]{3}-[0-9]{3}-[0-9]{4})')

我想在每一行都应用这个功能，所以我写了一个ddply＆＃34;功能：＆＃34;

ddply(final_data2, .(address), function(x){str_split(x,'( [0-9]-[0-9]{3}-[0-9]{3}-[0-9]{4})')})

然而，这会吐出错误：

Error: String must be an atomic vector

我不知道为什么。有人可以帮我解决这个问题吗？

谢谢

Answer 1

根据显示的模式，您可以尝试:(不使用ddply）

 library(stringr)
 str_extract(final_data2$address, perl('.*(?= .-.*)'))
 #[1] "5301 E Huron River Dr Rm 1538 Ann Arbor, MI 48106"
 #[2] "2140 E Ellsworth Rd Ann Arbor, MI 48108"          
 #[3] "2215 Fuller Road Ann Arbor, MI 48105"

解释

 ('.*(?= .-.*) # extract everything before a `space`, followed by one character, followed by `-`.

使用您的代码：

 simplify2array(str_split(final_data2$address, '( [0-9]-[0-9]{3}-[0-9]{3}-[0-9]{4})'))[c(T,F)]

#[1] "5301 E Huron River Dr Rm 1538 Ann Arbor, MI 48106"
#[2] "2140 E Ellsworth Rd Ann Arbor, MI 48108"          
#[3] "2215 Fuller Road Ann Arbor, MI 48105"

我不明白为什么要使用ddply并使用address作为分组变量。这似乎有效，但不需要。

unlist(daply(final_data2, .(address), function(x){str_split(x$address,'( [0-9]-[0-9]{3}-[0-9]{3}-[0-9]{4})')}),use.names=F)[c(T,F)]

Answer 2

申请工作

apply(final_data2[,2],1,function(x) str_split(x,'[0-9]-[0-9]{3}-[0-9]{3}-[0-9]{4}')[[1]][1])

但是gsub更快

gsub("[0-9]-[0-9]{3}-[0-9]{3}-[0-9]{4}.*","",final_data2$address)

为什么ddply没有在这个数据框架上工作？

2 个答案:

解释