Question

我有一个这样的字符串：

Received @ 10/10/2014 02:29:55 a.m.  Changed status: 'processing' @ 10/10/2014 02:40:20 a.m.  Changed status: 'processed' @ 10/10/2014 02:40:24 a.m.

我需要使用某些规则“解析”此字符串：

第一个块是Received日期和时间
第一个后面的每个块都以Changed status:开头，并以日期和时间
结束可以有任意数量的Changed status:块（至少1个），状态可以变化

我需要做的是：

拆分字符串并将每个块放入数组中。
示例：

[Received @ 10/10/2014 02:29:55 a.m.], [Changed status: 'processing' @ 10/10/2014 02:40:20 a.m.], [Changed status: 'processed' @ 10/10/2014 02:40:24 a.m.]
在拆分每个块后，我需要拆分三个字段中的每个条目

对于上面的例子，我需要的是这样的：

Received       | NULL       | 10/10/2014 02:29:55 am
Changed status | processing | 10/10/2014 02:40:20 am
Changed status | processed  | 10/10/2014 02:40:20 am

我认为第二步很容易（每个块可以使用@和:作为分隔符进行拆分），但第一步是让我脱掉头发。有没有办法用正则表达式做这种事情？

我尝试了一些方法（比如Received|Changed.*[ap].m.），但它不起作用（正则表达式的评估总是返回完整的字符串）。

我想在R中执行此操作：

将完整数据表（包含更多字段，上面的文字是最后一个）读入数据框
“解析”此字符串并将其存储到第二个数据框

R内置了对正则表达式的支持，因此我一直在考虑解决这个问题。

任何帮助将不胜感激。老实说，我迷失在这里（但我会继续努力......如果我找到让我更接近解决方案的步骤，我会编辑我的帖子）

Answer 1

这里有可能你可以投入一个功能。在您发布的字符串中，重要信息似乎由两个空格分隔，这很好。基本上我所做的就是尝试让所有相关的线条均匀分成正确的长度。

x <- "Received @ 10/10/2014 02:29:55 a.m.  Changed status: 'processing' @ 10/10/2014 02:40:20 a.m.  Changed status: 'processed' @ 10/10/2014 02:40:24 a.m."

s <- strsplit(gsub("['.]", "", x), "  ")[[1]]
s[g] <- sub("(\\D) ", "\\1:  ", s[g <- grep("Received", s)])
do.call(rbind, strsplit(s, " @ |: "))
#      [,1]             [,2]         [,3]                      
# [1,] "Received"       ""           "10/10/2014 02:29:55 am"
# [2,] "Changed status" "processing" "10/10/2014 02:40:20 am"
# [3,] "Changed status" "processed"  "10/10/2014 02:40:24 am"

我没有"NULL"，因为我认为你的意思是你想要一个空角色。无论如何，NULL都不会显示在数据框中。

Answer 2

以下是基于strapplyc的简短解决方案。 strapplyc将正则表达式与输入字符串s匹配，将匹配提取到正则表达式的带括号的部分，但非捕获的(?:...)除外。

pat中有3对捕获括号。第一个匹配收到或更改状态。然后我们可选地匹配冒号，空格，单引号，零个或多个非单引号字符和另一个引号。两个引号之间的部分是第二个捕获的字符串。然后我们匹配空格，@，空格和日期/时间字符串。捕获日期/时间字符串。

最后matrix用于将其重塑为3列：

library(gsubfn)

pat <- "(Received|Changed status)(?:: '([^']*)')? @ (../../.... ..:..:.. ....)"
matrix(strapplyc(s, pat, simplify = TRUE), nc = 3, byrow = TRUE)

，并提供：

     [,1]             [,2]         [,3]                      
[1,] "Received"       ""           "10/10/2014 02:29:55 a.m."
[2,] "Changed status" "processing" "10/10/2014 02:40:20 a.m."
[3,] "Changed status" "processed"  "10/10/2014 02:40:24 a.m."

更新：简化。修改后的输出也是有问题的。

Answer 3

tmp <- "Received @ 10/10/2014 02:29:55 a.m.  Changed status: 'processing' @ 10/10/2014 02:40:20 a.m.  Changed status: 'processed' @ 10/10/2014 02:40:24 a.m."


tmp1 <- strsplit(gsub('Received', 'Received:', tmp), '\\s{2}', perl = TRUE)

do.call(rbind, strsplit(tmp1[[1]], '@ |: '))

#                 [,1]             [,2]            [,3]                      
# [1,] "Received"       ""              "10/10/2014 02:29:55 a.m."
# [2,] "Changed status" "'processing' " "10/10/2014 02:40:20 a.m."
# [3,] "Changed status" "'processed' "  "10/10/2014 02:40:24 a.m."

Answer 4

我假设您已经在data.frame中获取了数据，并且您希望在数据框中的许多行上执行此操作。我称之为data.frame＆＃34;数据＆＃34;，以及我要做的事情，尽管也许其他人可以让这更优雅：

 Split <- str_split(Data$String, "@") # Make a list with your string split by "@"

 Data$Received <- NA
 Data$Processing <- NA
 Data$Processed <- NA

 for (i in 1:nrow(Data)){
       Data$Received[i] <- str_sub(Split[[i]][2], 2, 24) # Extract the date received, etc.
       Data$Processing[i] <- str_sub(Split[[i]][3], 2, 24)
       Data$Processed[i] <- str_sub(Split[[i]][4], 2, 24)
 }

 Data$Received <- mdy_hms(Data$Received) # Use lubridate to convert it to POSIX format
 Data$Processing <- mdy_hms(Data$Processing)
 Data$Processed <- mdy_hms(Data$Processed)

这为您提供了三列所需的日期和时间。

使用正则表达式拆分字符串并将其存储到数据框中

4 个答案: