Question

我有一个包含非分隔字符串的1列数据表，如此

d1 = data.table(x = c("2728661941-1945", "2657461921-1925", "2786161921-1925"))
d1
#>                  x
#> 1: 2728661941-1945
#> 2: 2657461921-1925
#> 3: 2786161921-1925

我有另一个表格

的数据表

dic = data.table(field = c("ID","group","year"),start=c(1,6,7), length=c(5,1,9))
dic
#>    field start length
#> 1:    ID     1      5
#> 2: group     6      1
#> 3:  year     7      9

我想使用dic中的信息拆分数据表d1中的字符串，最后得到一个新形式的数据框

d2 = data.table(ID = c("27286", "26574", "27861"), 
                group = c(6, 6, 6),
                year = c("1941-1945", "1921-1925", "1921-1925")
d2
#>       ID group      year
#> 1: 27286     6 1941-1945
#> 2: 26574     6 1921-1925
#> 3: 27861     6 1921-1925

我试过了

d2 = copy(d1)[,(dic$field) := transpose(
            lapply(x, stri_sub, from = dic$start, length = dic$length))]

但是，下面的数据是列表形式，而不是表格形式。我希望能够将创建的字段称为列。

我必须承认我并不完全确定我在做什么，而且我不必为此使用数据表，但我无法想到另一种方法。我所拥有的最简单的数据集包含79个字符的字符串，并且将生成25个字段，因此我不希望单独拉出每个字段。

我希望这是有道理的。任何建议都表示赞赏。

Answer 1

1）read.fwf 尝试read.fwf。没有包使用。

read.fwf(textConnection(d1$x), dic$length, col.names = dic$field)

，并提供：

     ID group      year
1 27286     6 1941-1945
2 26574     6 1921-1925
3 27861     6 1921-1925

2）分开这也有效并给出了相同的答案：

library(tidyr)

d1 %>% 
   separate(x, sep = dic$start - 1, into = dic$field, remove = TRUE)

Answer 2

regex在这里非常有用，特别是因为您可以通过编程方式定义要搜索和输出的模式

d1 %>% 
    mutate(x=gsub(paste0("(.{", dic$length, "})", collapse=""), paste0("\\", seq_along(dic$length), collapse=" "), x)) %>% 
    separate(x, into=dic$field, sep=" ")

     # ID group      year
# 1 27286     6 1941-1945
# 2 26574     6 1921-1925
# 3 27861     6 1921-1925

解释

# Pattern to search for
paste0("(.{", dic$length, "})", collapse="")
# "(.{5})(.{1})(.{9})"
      # (.{5}) - group that contains any 5 characters - will be group 1
      # (.{1}) - group that contains any 1 character - will be group 2
      # (.{9}) - group that contains any 9 characters - will be group 3

# Pattern to output
paste0("\\", seq_along(dic$length), collapse=" ")
# "\\1 \\2 \\3"
      # \\1 - output group 1
      # \\2 - output group 2
      # each group is separated by a space

使用tidyr::separate将生成的以空格分隔的字符串拆分为不同的字段

Answer 3

未使用c this line is a comment a = 1 $ anything on a line after a dollar sign is a comment表，但可以使用dic中的extract轻松完成此操作：

tidyr

<强>结果：

library(tidyr)
extract(d1, x, c("ID", "group", "year"), "^(.{5})(.{1})(.{9})$")

Answer 4

使用dic表作为参考：

library(dplyr)

breaks <- setNames(as.list(paste0("substr(x", ", ", dic$start, ", ", dic$start+dic$length-1, ")")), dic$field)

d1 %>% 
  mutate_(.dots = breaks)

Answer 5

setNames(data.frame(do.call(rbind, lapply(d1$x, function(X) sapply(1:NROW(dic),
   function(i) c(substring(X, dic$start[i], dic$start[i] + dic$length[i])))))), dic$field)
#      ID group      year
#1 272866    61 1941-1945
#2 265746    61 1921-1925
#3 278616    61 1921-1925

Answer 6

我们可以使用基础R中的strcapture函数来技术上捕获字符串。我们将在已预定义的数据框中输入它。

 strcapture("(\\d{5})(\\d)(.*)",d1$x,data.frame(Id=numeric(),group=numeric(),year=character()))
     Id group      year
1 27286     6 1941-1945
2 26574     6 1921-1925
3 27861     6 1921-1925

说明：(\\d{5})捕获前5位数字，然后(\\d)捕获下一个数字，(.*)捕获其他所有数字。

以编程方式拆分非分隔字符串并生成新列

6 个答案: