Question

我有一个很大的文件名列表，我需要从使用R中提取信息。信息由多个破折号和下划线分隔。我无法找出一种方法来解决分隔符之间的字符数不一致这一事实（信息的顺序将保持不变，分隔符使用（希望如此））。

例如：

 f <- data.frame(c("EI-SM4-AMW11_20160614_082800.wav", "PA-RF-A50_20160614_082800.wav"), stringsAsFactors = FALSE)
 colnames(f)<-"filename"
 f$area <- str_sub(f$filename, 1, 2)
 f$rec <- str_sub(f$filename, 4, 6)
 f$site <- str_sub(f$filename, 8, 12)

这会为第一个文件生成正确的结果，但第二个文件的结果不正确。

我已经尝试过使用“stringr”和“stringi”软件包，并且知道对值进行硬编码不起作用，所以我使用两个软件包提出了尴尬的解决方案：

f$site <- str_sub(f$filename, 
                  stri_locate_last(f$filename, fixed="-")[,1]+1, 
                  stri_locate_first(f$filename, fixed="_")[,1]-1)

我觉得必须有一个更优雅（和健壮）的方法，也许涉及正则表达式（我很痛苦）。

我查看了其他示例（Extract part of string (till the first semicolon) in R，R: Find the last dot in a string，Split string using regular expressions and store it into data frame）。

非常感谢任何建议/指示。

Answer 1

从`tidyr'包中试试这个：

library(tidyr)

f %>% separate(filename, c('area', 'rec', 'site'), sep = '-')

您还可以分割多个差异分度，如下所示：

f %>% separate(filename, c('area', 'rec', 'site', 'date', 'don_know_what_this_is', 'file_extension'), sep = '-|_|\\.')

然后使用dplyr的{{1}}函数仅保留所需的列：

select

Answer 2

这样的事情：

library(stringr)
library(dplyr)

f$area <- word(f$filename, 1, sep = "-")
f$rec <- word(f$filename, 2, sep = "-")
f$site <- word(f$filename, 3, sep = "-") %>%
        word(1,sep = "_")

dplyr不是必需的，但可以使连接更清晰。函数word属于stringr。

将由多个分隔符定义的字符串部分拆分为R中的多个变量

2 个答案: