子集字符串和返回字符串答案

【问题标题】：Subsetting character string and returning string子集字符串和返回字符串
【发布时间】：2019-06-20 00:33:03
【问题描述】：

我想知道是否有使用 data.table 解决以下问题的干净解决方案，可能使用其他包，例如 stringr。

假设我有如下数据表

DT <- data.table(name = c("Carlos", "Henry", "John"), 
    ID = c("US115115, CH123232, AB155, US4445", "CH112, BB53", "US57677777"))

这看起来像：

     name                                ID
1: Carlos US115115, CH123232, AB155, US4445
2:  Henry                       CH112, BB53
3:   John                        US57677777

我想做的是创建另一列 ID2，例如，它采用列 ID 并仅提取“美国身份”并创建一个新列，以便最终数据表应如下所示：

     name                                ID              ID2
1: Carlos US115115, CH123232, AB155, US4445 US115115, US4445
2:  Henry                       CH112, BB53               NA
3:   John                        US57677777       US57677777

其中每个元素都是一个字符串。我已经能够编写一个版本，它采用第一个“美国身份”并丢弃其余部分，但我无法找到处理多重性的解决方案。

任何帮助将不胜感激！

【问题讨论】：

标签： r dplyr data.table

【解决方案1】：

一种可能的方法：

DT[, ID2 := sapply(strsplit(ID, ","), 
    function(s) paste(s[grepl("\\s*US", s)], collapse=","))]

输出：

     name                                ID              ID2
1: Carlos US115115, CH123232, AB155, US4445 US115115, US4445
2:  Henry                       CH112, BB53                 
3:   John                        US57677777       US57677777

【讨论】：

如果您将正则表达式更改为 ",\\s*" ，您可以避免使用 trimws ，但这对我来说似乎很好。
我也觉得sapply(strsplit(DT$ID, ","), function(s) toString(grep("^US", trimws(s), value = TRUE)))会短一点？
谢谢，@latemail。已将您的 cmets 纳入解决方案
非常好，@RonakShah。你也应该发布它，我发现它很有用，因为我了解到 toString 也有 string <- paste(x, collapse = ", ")

【解决方案2】：

以下是受@thelatemail 和@chinsoon12 启发的一些建议

DT$ID1 <- sapply(strsplit(DT$ID, ",\\s*"), function(x) 
                            toString(grep("^US", x, value = TRUE)))
DT
#     name                                ID              ID1
#1: Carlos US115115, CH123232, AB155, US4445 US115115, US4445
#2:  Henry                       CH112, BB53                 
#3:   John                        US57677777       US57677777

上面我们使用grep进行过滤，我们也可以使用startsWith来做同样的事情

sapply(strsplit(DT$ID, ",\\s*"), function(x) toString(x[startsWith(x, "US")]))

您可以在dplyr 链中合并上述两个选项，但是使用dplyr 和tidyr 的另一个选项将使用separate_rows，这对于这个特定的问题可能有点过头了。我们可以使用stringr 中的str_subset，与grep("^US", x, value = TRUE) 相同。

library(dplyr)
library(tidyr)

DT %>%
  separate_rows(ID) %>%
  group_by(name) %>%
  summarise(ID1 = toString(ID), 
            ID2 = toString(stringr::str_subset(ID, "^US")))

【讨论】：

【解决方案3】：

我们可以使用str_extract 来提取以“US”开头的单词

library(stringr)
DT[, ID2 := sapply(str_extract_all(ID, "\\bUS\\S*"), toString)]
DT
#     name                                ID               ID2
#1: Carlos US115115, CH123232, AB155, US4445 US115115,, US4445
#2:  Henry                       CH112, BB53                  
#3:   John                        US57677777        US57677777

或使用gsub

DT[, ID2 := gsub("(\\bUS\\S*)(*SKIP)(*F)|.", "", ID, perl = TRUE)]

或使用tidyverse

library(tidyverse)
DT %>%
    mutate(ID2 = str_extract_all(ID, "\\bUS\\S*") %>%
                   map(toString))

或与base R 一起使用gregexpr

DT$ID2 <- sapply(regmatches(DT$ID, gregexpr("\\bUS\\S*", DT$ID)), toString)

【讨论】：