通过正则表达式拆分由“。”分隔的字符的数据框列答案

【问题标题】：split a dataframe column by regular expression on characters separated by a "."通过正则表达式拆分由“。”分隔的字符的数据框列
【发布时间】：2013-08-30 04:45:57
【问题描述】：

在 R 中，我有以下数据框：

     Name     Category
1    Beans    1.12.5
2    Pears    5.7.9
3    Eggs     10.6.5

我想要的是：

     Name     Cat1    Cat2    Cat3
1    Beans    1       12      5
2    Pears    5       7       9
3    Eggs     10      6       5

理想情况下，plyr 中内置的一些表达式会很好......

我会站在我这边进行调查，但由于搜索这可能需要我很多时间，我只是想知道你们中的一些人是否有一些执行此操作的提示...

【问题讨论】：

您是否希望每个项目都恰好有三个类别？
你说得对，我应该更精确一点，有些答案的类别少于或多于 3 个，最少 1 个，最多 5 个！

标签： regex r plyr

【解决方案1】：

我已经编写了一个函数concat.split（实际上是一个“函数系列”）作为我的splitstackshape 包的一部分来处理这些类型的问题：

# install.packages("splitstackshape")
library(splitstackshape)
concat.split(mydf, "Category", ".", drop=TRUE)
#    Name Category_1 Category_2 Category_3
# 1 Beans          1         12          5
# 2 Pears          5          7          9
# 3  Eggs         10          6          5

它也适用于“不平衡”数据。

dat <- data.frame(Name = c("Beans", "Pears", "Eggs"), 
                  Category = c("1.12.5", "5.7.9.8", "10.6.5.7.7"))
concat.split(dat, "Category", ".", drop = TRUE)
#    Name Category_1 Category_2 Category_3 Category_4 Category_5
# 1 Beans          1         12          5         NA         NA
# 2 Pears          5          7          9          8         NA
# 3  Eggs         10          6          5          7          7

因为在这些类型的情况下通常需要“长”或“熔”数据，所以concat.split.multiple 函数也有一个“长”参数：

concat.split.multiple(dat, "Category", ".", direction = "long")
#     Name time Category
# 1  Beans    1        1
# 2  Pears    1        5
# 3   Eggs    1       10
# 4  Beans    2       12
# 5  Pears    2        7
# 6   Eggs    2        6
# 7  Beans    3        5
# 8  Pears    3        9
# 9   Eggs    3        5
# 10 Beans    4       NA
# 11 Pears    4        8
# 12  Eggs    4        7
# 13 Beans    5       NA
# 14 Pears    5       NA
# 15  Eggs    5        7

【讨论】：

我看到它处理了值不相等的情况。
我新的 splitstackshape-concat.split.multiple-life 的第一天！未来是光明的！ +1
@Henrik，错误报告/功能增强here 请 :)

【解决方案2】：

qdap 包有 colsplit2df 用于这些情况：

#recreate your data first:
dat <- data.frame(Name = c("Beans", "Pears", "Eggs"), Category = c("1.12.5", 
"5.7.9", "10.6.5"),stringsAsFactors=FALSE)

library(qdap)
colsplit2df(dat, 2, paste0("cat", 1:3))

## > colsplit2df(dat, 2, paste0("cat", 1:3))
##    Name cat1 cat2 cat3
## 1 Beans    1   12    5
## 2 Pears    5    7    9
## 3  Eggs   10    6    5

【讨论】：

【解决方案3】：

如果您的类别数量一致，那么这将起作用：

#recreate your data first:
dat <- data.frame(Name = c("Beans", "Pears", "Eggs"), Category = c("1.12.5", 
"5.7.9", "10.6.5"),stringsAsFactors=FALSE)

spl <- strsplit(dat$Category,"\\.")
len <- sapply(spl,length)
dat[paste0("cat",1:max(len))] <- t(sapply(spl,as.numeric))

结果：

dat
   Name Category cat1 cat2 cat3
1 Beans   1.12.5    1   12    5
2 Pears    5.7.9    5    7    9
3  Eggs   10.6.5   10    6    5

如果您有不同数量的分隔值，那么这应该是原因：

#example unbalanced data
dat <- data.frame(Name = c("Beans", "Pears", "Eggs"), Category = c("1.12.5", 
"5.7.9", "10.6.5"),stringsAsFactors=FALSE)
dat$Category[2] <- "5.7"

spl <- strsplit(dat$Category,"\\.")
len <- sapply(spl,length)
spl <- Map(function(x,y) c(x,rep(NA,max(len)-y)), spl, len)

dat[paste0("cat",1:max(len))] <- t(sapply(spl,as.numeric))

结果：

   Name Category cat1 cat2 cat3
1 Beans   1.12.5    1   12    5
2 Pears      5.7    5    7   NA
3  Eggs   10.6.5   10    6    5

【讨论】：