Question

我有一个看起来像这样的数据框（请注意，单词的长度保持不变，重点是它不可预测）。 VAR是一个因素：

                       VAR
1     AAA - BB (CC) [DDDD]
2 A - BBB - (CCCC) - [DDD]
3  AA - B - (CCC) - [DDDD]

我想把它转换成这个：

    X      Y
1 AAA     BB
2   A    BBB
3  AA      B

换句话说，我想摆脱＆＃34;（）＆＃34;中的所有内容。和＆＃34; []＆＃34;，包括括号本身，以及所有破折号，并将提醒分成两个变量，如图所示。任何帮助，将不胜感激！

Answer 1

我们可以在base R中执行此操作，方法是使用sub从“VAR”列中删除子字符串，并使用vector阅读read.table以创建一个两列{{} 1}}

data.frame

或者我们可以使用res <- read.table(text=gsub("\\s+", "", sub("\\s*-*\\s+\\(.*", "", df1$VAR)), sep="-", col.names = c("x", "y"), stringsAsFactors=FALSE) res # x y #1 AAA BB #2 A BBB #3 AA B

tidyverse

数据

library(tidyr)
extract(df1, VAR, into = c("x", "y"), "^(\\w+)\\W+(\\w+).*")
#    x   y
#1 AAA  BB
#2   A BBB
#3  AA   B

Answer 2

您可以使用正则表达式捕获与您的AAA，BBB，CCC，DDD匹配的组。基本上，编写一个与您的格式匹配的普通正则表达式：

这是一个非常广泛的正则表达式，因为不确定你的＆＃34; AAA＆＃34;代表：

[^ -]+[ -]+[^ -]+[ -]+\\([^ -]*\\)[ -]+\\[[^ -]*\\]

如果您不熟悉它们，请查看基本的正则表达式课程。

然后在要提取的内容周围添加括号;这会创建捕获组。在这里，我在匹配AAA，BBB，CCC，DDD的位上添加了括号：

([^ -]+)[ -]+([^ -]+)[ -]+\\(([^ -]*)\\)[ -]+\\[([^ -]*)\\]

现在，我们可以简单地使用此正则表达式来提取相关组。

包str_match中的函数stringr可用于提取捕获组。（我一般建议不要使用R base regex实用程序，因为我发现它们的语法非常不一致......）

VAR <- c("AAA - BB (CC) [DDDD]", 
         "A - BBB - (CCCC) - [DDD]",
         "AA - B - (CCC) - [DDDD]")

library(stringr)

str_match(VAR, "([^ -]+)[ -]+([^ -]+)[ -]+\\(([^ -]*)\\)[ -]+\\[([^ -]*)\\]")

结果：

     [,1]                       [,2]  [,3]  [,4]   [,5]  
[1,] "AAA - BB (CC) [DDDD]"     "AAA" "BB"  "CC"   "DDDD"
[2,] "A - BBB - (CCCC) - [DDD]" "A"   "BBB" "CCCC" "DDD" 
[3,] "AA - B - (CCC) - [DDDD]"  "AA"  "B"   "CCC"  "DDDD"

在R

2 个答案:

数据