Question

我有一个包含两列的data.frame。在第二列中是文件名。

= INDEX(Sheet2!A2:A11,MATCH(Sheet1!Q3,INDEX(Sheet2!$2:$11,0,ROW()-2),0)+0)

如何从第二列中提取某些字符串（使用df <- data.frame(paragraph = "Lorem ipsum dolor sit amet, consetetur sadipscing elitr, sed diam nonumy eirmod tempor invidunt ut labore et dolore magna aliquyam erat, sed diam voluptua.", filename = "./data/RevCon_2015_C1_Austria_05_06.txt", stringsAsFactors = FALSE)）并将其添加（使用stringr）作为其他变量（会议，年份，国家/地区等），以便我获得结果如下：

dplyr::mutate

Answer 1

我们可以使用tidyr::separate执行以下操作：

library(tidyverse);
df %>%
    mutate(tmp = gsub("(\\./data/|\\.txt)", "", filename)) %>%
    separate(
        tmp,
        into = c("conference", "year", "ignored", "country", "month", "day")) %>%
    mutate(date = paste(day, month, year, sep = "/")) %>%
    select(-ignored, -month, -day)
#          paragraph                                filename conference year
#1 Lorem ipsum [...] ./data/RevCon_2015_C1_Austria_05_06.txt     RevCon 2015
#  country        date
#1 Austria  06/05/2015

请注意，这假设filename符合以下模式：./data/{conference}_{year}_{ignored}_{country}_{month}_{day}.txt

样本数据

df  <- data.frame(
    paragraph = "Lorem ipsum [...]",
    filename = "./data/RevCon_2015_C1_Austria_05_06.txt",
    stringsAsFactors = FALSE)

Answer 2

以下是使用separate中的extract和tidyr的两种不同方法：

library(dplyr)
library(tidyr)

df %>%
  mutate(filename2 = gsub("^(\\w+)_(\\d+)_.+?_(\\w+)_(\\d{2})_(\\d{2}).+$", 
                          "\\1_\\2_\\3_\\5.\\4.\\2", basename(filename))) %>%
  separate(filename2, c("conference", "year", "country", "date"), sep = "_")

或extract：

df %>%
  extract(filename, c("conference", "year", "country", "day", "month"),
          "^.+/(\\w+)_(\\d+)_.+?_(\\w+)_(\\d{2})_(\\d{2}).+$",
          remove = FALSE) %>%
  unite(date, month, day, year, sep = ".", remove = FALSE) %>%
  select(paragraph, filename, conference, year, country, date)

<强>结果：

                                                                   paragraph
1 Lorem ipsum dolor sit amet, consetetur sadipscing elitr, sed diam nonumy eirmod tempor invidunt ut labore et dolore magna aliquyam erat, sed diam voluptua.
                                 filename conference year country       date
1 ./data/RevCon_2015_C1_Austria_05_06.txt     RevCon 2015 Austria 06.05.2015

备注：

第一种方法使用gsub来匹配每个＆＃34;列＆＃34;我们想要使用捕获组，并根据需要重新排序。请注意，添加了_以区分列

我使用basename函数提取了最后/
之后的所有内容然后使用
separate将元素拆分为实际列，其中_为分隔符

第二种方法使用相同的正则表达式，但extract不是重新排列，而是将每个捕获组视为单独的列

unite将month，day和year绑定在一起，而不删除原始列

最后select删除day和month并重新排列列顺序

从文件名中提取字符串并使用mutate创建新列

2 个答案:

样本数据