有条件地拆分数据帧 R 中的字符串单元格答案

【问题标题】：Conditionnaly split strings cells in a dataframe R有条件地拆分数据帧 R 中的字符串单元格
【发布时间】：2020-04-29 20:45:31
【问题描述】：

我有一个带有物种名称的数据集，其中一些最初使用的名称现在已经过时，因此它们被标注为“old_species***retired*** use new_species”，而正确的单元格只标注为“new_species”。以下是数据样本：

df<- data.frame(species=c("Etheostoma spectabile","Ictalurus furcatus","Micropterus salmoides","Micropterus salmoides","Ictalurus punctatus","Ictalurus punctatus","Ictalurus punctatus","Micropterus salmoides","Etheostoma olmstedi","Noturus insignis","Lepomis auritus","Lepomis auritus","Nocomis leptocephalus","Scartomyzon rupiscartes***retired***use Moxostoma rupiscartes","Lepomis cyanellus","Notropis chlorocephalus","Scartomyzon cervinus***retired***use Moxostoma cervinum","Ictalurus punctatus","Lythrurus ardens","Moxostoma pappillosum","Micropterus salmoides","Micropterus salmoides","Ictalurus punctatus"))

我试过了

sapply(strsplit(df$species, split='***retired***use', fixed = T),function(x) (x[2])))

但数据正确的单元格返回 NA，因为它们不包含拆分。有没有办法只为实际包含它的单元格进行拆分？

【问题讨论】：

标签： r dataframe strsplit

【解决方案1】：

您可以使用gsub 加上反向引用将旧名称更改为新名称：

gsub(".*\\*\\*\\*retired\\*\\*\\*use\\s(.*)", "\\1", df$species)

# [1] "Etheostoma spectabile"   "Ictalurus furcatus"      "Micropterus salmoides"   "Micropterus salmoides"  
# [5] "Ictalurus punctatus"     "Ictalurus punctatus"     "Ictalurus punctatus"     "Micropterus salmoides"  
# [9] "Etheostoma olmstedi"     "Noturus insignis"        "Lepomis auritus"         "Lepomis auritus"        
# [13] "Nocomis leptocephalus"   "Moxostoma rupiscartes"   "Lepomis cyanellus"       "Notropis chlorocephalus"
# [17] "Moxostoma cervinum"      "Ictalurus punctatus"     "Lythrurus ardens"        "Moxostoma pappillosum"  
# [21] "Micropterus salmoides"   "Micropterus salmoides"   "Ictalurus punctatus"

解释：

.* 任意次数后跟 ...

\\*\\*\\*retired\\*\\*\\*use\\s ... 文字模式 ***retired***use 后跟 ...

(.*) ... 任何次数的任何东西——这是gsub 的替换参数中的反向引用\\1 所指的捕获组

【讨论】：

工作完美。我只是想澄清一下，在这种情况下，必须在每个可能是运算符的字符之间使用双反斜杠 (\)？
是的，在 R '方言'中，如果你愿意的话，像 * 这样的元字符在正则表达式中具有特殊含义（例如，在 * 的情况下，作为量词，意思是“零次或多次”），如果要按字面意思匹配，则必须用双反斜杠转义，例如，您希望匹配为星号的星号。很高兴，代码有效；）

【解决方案2】：

我们可以使用grep 创建一个索引，然后使用这些行进行拆分

i1 <- grep('retired', df$species)
df$species <- as.character(df$species)
df$species[i1] <- sapply(strsplit(df$species[i1], "***retired***use ", 
                fixed = TRUE), `[`, 2)

df$species
#[1] "Etheostoma spectabile"   "Ictalurus furcatus"      "Micropterus salmoides"   "Micropterus salmoides"   "Ictalurus punctatus"    
#[6] "Ictalurus punctatus"     "Ictalurus punctatus"     "Micropterus salmoides"   "Etheostoma olmstedi"     "Noturus insignis"       
#[11] "Lepomis auritus"         "Lepomis auritus"         "Nocomis leptocephalus"   "Moxostoma rupiscartes"   "Lepomis cyanellus"      
#[16] "Notropis chlorocephalus" "Moxostoma cervinum"      "Ictalurus punctatus"     "Lythrurus ardens"        "Moxostoma pappillosum"  
#[21] "Micropterus salmoides"   "Micropterus salmoides"   "Ictalurus punctatus"

或者使用带有sub的正则表达式

df$species <- sub(".*\\*{3}retired\\*{3}use\\s+", "", df$species)

【讨论】：