R拆分字符串并保留部分答案

【问题标题】：R split string and keep sectionR拆分字符串并保留部分
【发布时间】：2019-03-11 03:48:27
【问题描述】：

我有一个包含橄榄球比赛的首发阵容（从网络上提取）的字符串，它看起来像这样：

 "Crusaders: 15 David Havili, 14 Seta Tamanivalu, 13 Jack Goodhue, 12 Ryan Crotty, 11 George Bridge, 10 Richie Mo’unga, 9 Bryn Hall, 8 Kieran Read, 7 Matt Todd, 6 Heiden Bedwell-Curtis, 5 Sam Whitelock (c), 4 Scott Barrett, 3 Owen Franks, 2 Codie Taylor, 1 Joe MoodyReplacements: 16 Sam Anderson-Heather, 17 Tim Perry, 18 Michael Alaalatoa, 19 Luke Romano, 20 Pete Samu, 21 Mitchell Drummond, 22 Mitchell Hunt, 23 Braydon Ennor"

我想要的基本上是一个有两列的表格，一列是玩家的号码，另一列是玩家的名字。例如

position     name
1            Joe Moody
2            Codie Taylor
3            Owen Franks
4            Scott Barrett
...          ...

所有玩家。

我试过使用strsplit，被","分割，但是问题变成了第一个玩家：

"Crusaders: 15 David Havili"

和数字1和16合并

"1 Joe MoodyReplacements: 16 Sam Anderson-Heather".

有什么想法吗？

【问题讨论】：

你的字符串格式不一致；例如，在几乎所有情况下，","（逗号）都用作分隔符，"1 Joe Moody: 16 Sam Anderson-Heather" 部分除外，其中":"（冒号）是分隔符。那是错字吗？你预计替补球员会发生什么？它们是否要包含在输出表中？
重新导入数据并确保保留换行符。

标签： r list strsplit

【解决方案1】：

我同意@HongOoi 的评论；最好退后一步，确保以更明智的方式导入数据。也就是说，这是一个事后的hacky解决方案。不确定这是否能很好地概括，如果有的话。

ss <-  "Crusaders: 15 David Havili, 14 Seta Tamanivalu, 13 Jack Goodhue, 12 Ryan Crotty, 11 George Bridge, 10 Richie Mo’unga, 9 Bryn Hall, 8 Kieran Read, 7 Matt Todd, 6 Heiden Bedwell-Curtis, 5 Sam Whitelock (c), 4 Scott Barrett, 3 Owen Franks, 2 Codie Taylor, 1 Joe MoodyReplacements: 16 Sam Anderson-Heather, 17 Tim Perry, 18 Michael Alaalatoa, 19 Luke Romano, 20 Pete Samu, 21 Mitchell Drummond, 22 Mitchell Hunt, 23 Braydon Ennor"


library(tidyverse)
data.frame(ss = ss) %>%
    mutate(ss = str_replace(ss, "Replacements", "")) %>%   # Remove "Replacements"
    mutate(ss = str_split(ss, "(,|:) ")) %>%               # Split on "," or ":"
    unnest() %>%
    separate(ss, c("position", "name"), sep = "(?<=\\d)\\s", fill = "right") %>%
    filter(!is.na(name))                                   # Remove the first "Crusaders" line
#   position                  name
#1        15          David Havili
#2        14       Seta Tamanivalu
#3        13          Jack Goodhue
#4        12           Ryan Crotty
#5        11         George Bridge
#6        10        Richie Mo’unga
#7         9             Bryn Hall
#8         8           Kieran Read
#9         7             Matt Todd
#10        6 Heiden Bedwell-Curtis
#11        5     Sam Whitelock (c)
#12        4         Scott Barrett
#13        3           Owen Franks
#14        2          Codie Taylor
#15        1             Joe Moody
#16       16  Sam Anderson-Heather
#17       17             Tim Perry
#18       18     Michael Alaalatoa
#19       19           Luke Romano
#20       20             Pete Samu
#21       21     Mitchell Drummond
#22       22         Mitchell Hunt
#23       23         Braydon Ennor

【讨论】：

【解决方案2】：

使用 stringr::str_match_all() 和一些正则表达式，您可以找到并提取所有匹配项，注意使用非贪婪 (?) 运算符和匹配没有逗号的行尾：

library(dplyr)
library(stringr)
ea <- "Crusaders: 15 David Havili, 14 Seta Tamanivalu, 13 Jack Goodhue, 12 Ryan Crotty, 11 George Bridge, 10 Richie Mo’unga, 9 Bryn Hall, 8 Kieran Read, 7 Matt Todd, 6 Heiden Bedwell-Curtis, 5 Sam Whitelock (c), 4 Scott Barrett, 3 Owen Franks, 2 Codie Taylor, 1 Joe MoodyReplacements: 16 Sam Anderson-Heather, 17 Tim Perry, 18 Michael Alaalatoa, 19 Luke Romano, 20 Pete Samu, 21 Mitchell Drummond, 22 Mitchell Hunt, 23 Braydon Ennor"
ea <- unlist(strsplit(ea, "Replacements: "))

tibble(jersey = str_match_all(ea, "\\d+") %>% unlist(),
player = str_match_all(ea, "(?<=\\d\\s).*?(?=.$|,)") %>% unlist())

# A tibble: 23 x 2
   jersey player               
   <chr>  <chr>                
 1 15     David Havili         
 2 14     Seta Tamanivalu      
 3 13     Jack Goodhue         
 4 12     Ryan Crotty          
 5 11     George Bridge

【讨论】：

没有注意到“替换”，但它现在适用于所有人
您好@Elio，非常感谢您的回答，这真的很有帮助。几个问题： - 它似乎没有读取最终名称的最后一个字母，有什么想法吗？ - 此外，它只有在读取到逗号时才有效（我知道你就是这样编码的）。但是，在某场比赛中出现了一个特定错误，即球员姓名后缺少逗号。 “17 Jacques Van Rooyen, 18 Jacobie Adriaanse 19 Lourens Erasmus, 20 Marvin Orie，”看到 Jacobie Adriaanse 之后没有逗号。有什么想法可以在这里做什么吗？
是的，你是对的，这是因为捕获组；将其更改为 "(?

【解决方案3】：

这是一种适用于您的示例字符串的快速而肮脏的方法。如果开头缺少团队名称，它将不适用于其他字符串。

player.string <- "Crusaders: 15 David Havili, 14 Seta Tamanivalu, 13 Jack Goodhue, 12 Ryan Crotty, 11 George Bridge, 10 Richie Mo’unga, 9 Bryn Hall, 8 Kieran Read, 7 Matt Todd, 6 Heiden Bedwell-Curtis, 5 Sam Whitelock (c), 4 Scott Barrett, 3 Owen Franks, 2 Codie Taylor, 1 Joe MoodyReplacements: 16 Sam Anderson-Heather, 17 Tim Perry, 18 Michael Alaalatoa, 19 Luke Romano, 20 Pete Samu, 21 Mitchell Drummond, 22 Mitchell Hunt, 23 Braydon Ennor"

df <- read.table(text = gsub("(\\d+)", "\\1\t", gsub("Replacements:|(^[^:]*:)|, ", "\n", player.string)), header = FALSE, sep = "\t", col.names = c("Number", "Name")) 
df[order(df$Number),]

   Number                   Name
15      1              Joe Moody
14      2           Codie Taylor
13      3            Owen Franks
12      4          Scott Barrett
11      5      Sam Whitelock (c)
10      6  Heiden Bedwell-Curtis
9       7              Matt Todd
8       8            Kieran Read
7       9              Bryn Hall
...

【讨论】：