Question

我的数据框看起来像这样-

df = data.frame(Entity=c('MM > OSS > EUROPE_lv3 > FRANCElv4 > FRANCElv5 > FRANCElv6 > FR_07_FRANCE > FR_08_FRANCE > FR_09_S50 > FR_10_DVPOL12 > FR_11_DRYPBA > FR_12_RYPOP9000 > FR_13_SX362707 > SO362707',
                         'MM > OSS > AMERICA_lv3 > AMERICA_11lv4 > AMERICA_11lv5 > INC_11 > INCEDUSCHOOLFACIL_11 > INCEDUC > 30-00002 > 40-00056 > 50-00556 > 60-59003 > 27747001lv13 > 27747003lv14',
                         'MM > OSS > AMERICA_lv3 > AMERICA_11lv4 > AMERICA_11lv5 > INC_11 > INCEDUSCHOOLFACIL_11 > INCEDUC > 30-00002 > 40-00056 > 50-00061 > 60-23617 > 76929001lv13 > 76929017lv14',
                         'MM > OSS > EUROPE_lv3 > UKIRELAND_13lv4 > UKIRELAND_13lv5 > UKIRELAND_13lv6 > UKIE160000 > UKIE160000_lv8 > UKIE160000_lv9 > UKIE262000 > UKIE362004 > UKIE462006 > UKIE562072 > GB344496',
                         'MM > OSS > AMERICA_lv3 > AMERICA_11lv4 > AMERICA_11lv5 > INC_11 > INCEDUSCHOOLFACIL_11 > INCEDUC > 30-00002 > 40-00056 > 50-00065 > 60-22505 > 94276001lv13 > 94276002lv14'))

我的目标是-

提取<的 last 实例之后的所有内容。并将其存储在单独的列中。
要提取在第二和第三实例之间之间的所有内容。并将其存储在单独的列中。

我的尝试

要提取<<>最后一个实例之后的所有内容，我尝试过-

sub("^.+< ", "", df$Entity)

但是它不能按预期工作。

在解决问题1）和2）方面的任何帮助将不胜感激。

Answer 1

我们可以尝试在最后一列中使用sub，如下所示：

df$last <- sub("^.*>\\s*", "", df$Entity)

对于>的第二个实例和第三个实例之间的列：

df$between <- sub("^(?:[^>]+>){2}\\s*([^> ]+).*$", "\\1", df$Entity)

df[, c("last", "between")]

          last     between
1     SO362707  EUROPE_lv3
2 27747003lv14 AMERICA_lv3
3 76929017lv14 AMERICA_lv3
4     GB344496  EUROPE_lv3
5 94276002lv14 AMERICA_lv3

这是第二个正则表达式的解释：

^                  from the start of the input
    (?:[^>]+>){2}  match the first two components 'COMPONENT >'
    \s*            match optional whitespace
    ([^> ]+)       then match AND capture the third component
    .*             consume the rest of the input until reaching
$                  the end of the input

Answer 2

您始终可以在'>'上拆分，然后提取要保留的元素。

限制：使用更多的内存，并假设每个字符串中的'>'数量相等

data.table：

library(data.table)
setDT(df)

df[, tstrsplit(Entity, ' > ')][, .(two2three = V3, last = V14)]
#      two2three         last
# 1:  EUROPE_lv3     SO362707
# 2: AMERICA_lv3 27747003lv14
# 3: AMERICA_lv3 76929017lv14
# 4:  EUROPE_lv3     GB344496
# 5: AMERICA_lv3 94276002lv14

基础：

df$Entity <- as.character(df$Entity)
setNames(
  as.data.frame(
    do.call(rbind, lapply(strsplit(df$Entity, ' > '), '[', c(3, 14)))
  ), c('two2three', 'last'))

#     two2three         last
# 1  EUROPE_lv3     SO362707
# 2 AMERICA_lv3 27747003lv14
# 3 AMERICA_lv3 76929017lv14
# 4  EUROPE_lv3     GB344496
# 5 AMERICA_lv3 94276002lv14

根据字符串中字符的位置提取子字符串

2 个答案: