Question

向量（df $ location1）中的一个字符串如下：

Potomac, MD 20854\n(39.038266, -77.203413)

向量中的其余数据遵循相同的模式。我想将字符串的每个组成部分分成一个单独的数据元素，并将其放在新列中，例如：df $ city，df $ state等。

到目前为止，我已经能够隔离出纬度。长。通过执行以下操作将数据放入单独的列：

df$lat.long <- gsub('.*\\\n\\\((.*)\\\)','\\\1',df$location1)

我可以通过在线查看其他代码来使其工作，但我并不完全理解。我了解正则表达式模式，但不了解“ \\ 1”部分。由于我不完全了解它，因此无法使用它来对同一字符串的其他部分进行子集化。

像这样子集数据的最佳方法是什么？
使用正则表达式是一种很好的方法吗？我还应该研究什么其他方式？

我研究了用逗号分割字符串，使用正则表达式，使用scan（）函数以及许多其他变体的子集。现在我都很困惑。谢谢

Answer 1

我们还可以使用separate包（tidyr包的一部分）中的tidyverse函数。

library(tidyverse)

# Create example data frame
dat <- data.frame(Data = "Potomac, MD 20854\n(39.038266, -77.203413)",
                  stringsAsFactors = FALSE)
dat
#                                         Data
# 1 Potomac, MD 20854\n(39.038266, -77.203413)

# Separate the Data column
dat2 <- dat %>%
  separate(Data, into = c("City", "State", "Zip", "Latitude", "Longitude"),
           sep = ", |\\\n\\(|\\)|[[:space:]]")
dat2
#      City State   Zip  Latitude  Longitude
# 1 Potomac    MD 20854 39.038266 -77.203413

Answer 2

您可以尝试strsplit或data.table::tstrsplit（strsplit + transpose）：

> x <- 'Potomac, MD 20854\n(39.038266, -77.203413)'
> data.table::tstrsplit(x, ', |\\n\\(|\\)')
[[1]]
[1] "Potomac"

[[2]]
[1] "MD 20854"

[[3]]
[1] "39.038266"

[[4]]
[1] "-77.203413"

通常，您可以这样做：

library(data.table)
df[c('city', 'state', 'lat', 'long')] <- tstrsplit(df$location1, ', |\\n\\(|\\)')

模式', |\\n\$|\$'告诉tstrsplit被", "，"\n("或")"分割。

如果您要分隔状态，并且zip和引用名称可能包含空格，则可以尝试采用以下两种方法：

# original split (keep city names with space intact)
df[c('city', 'state', 'lat', 'long')] <- tstrsplit(df$location1, ', |\\n\\(|\\)')
# split state and zip
df[c('state', 'zip')] <- tstrsplit(df$state, ' ')

Answer 3

这里是使用base R

的选项

read.table(text= trimws(gsub(",+", " ", gsub("[, \n()]", ",", dat$Data))), 
  header = FALSE, col.names = c("City", "State", "Zip", "Latitude", "Longitude"), 
      stringsAsFactors = FALSE)
#    City State   Zip Latitude Longitude
#1 Potomac    MD 20854 39.03827 -77.20341

Answer 4

因此，此过程可能会更长一些，但是对我来说，这很清楚。与使用中断相反，下面我通过为每个所需值使用特定的正则表达式来标识值。我制作了一个正则表达式向量来提取每个值，一个向量用于变量名，然后使用循环从这些向量中提取并创建数据帧。

library(stringi)
library(dplyr)
library(purrr)

rgexVec <- c("[\\w\\s-]+(?=,)", 
         "[A-Z]{2}", 
         "\\d+(?=\\n)", 
         "[\\d-\\.]+(?=,)", 
         "[\\d-\\.]+(?=\\))")
varNames <- c("city", 
          "state", 
          "zip", 
          "lat", 
          "long")
map2_dfc(varNames, rgexVec, function(vn, rg) {
  extractedVal <- stri_extract_first_regex(value, rg) %>% as.list()
  names(extractedVal) <- vn
  extractedVal %>% as_tibble()
})

Answer 5

\\1是正则表达式中的back reference。它类似于通配符（*），它将捕获您搜索词的所有实例，而不仅仅是它找到的第一个实例。

R

5 个答案: