将字符串解析为嵌套的 data.table

Question

我在一个表格中有数据，其中每一行中的一个单元格是一个多行字符串，其格式有点像末尾带有引用的文档。例如，其中一个字符串如下所示：

item A...1
item B...2
item C...3
item D...2
1=foo
2=bar
3=baz

我的最终目标是将 foo/bar/baz 提取到列中并计算匹配项。因此，对于上述内容，我最终会得到一行，包括：

foo | bar | baz
----+-----+----
1   | 2   | 1

我尝试从提取“参考”映射开始，作为嵌套的 data.table，如下所示：

code | reason
-----+-------
1    | foo
2    | bar
3    | baz

这是我尝试使用data.table 和stringr 的方法。

encounter_alerts[, whys := lapply(
  str_extract_all(text, regex('^[0-9].*$', multiline = TRUE)),
  FUN = function (s) { fread(text = s, sep = '=', header = FALSE, col.names = c('code', 'reason')) }
)]

我对尝试执行此操作时收到的错误消息感到非常困惑：

Error in fread(text = s, sep = "=", header = FALSE, col.names = c("code",  :
  file not found: 1=foo

我明确使用text 而不是file，所以我不确定它是如何将文本行解释为文件名的！

当我用一行测试它时，它似乎工作正常：

> fread(text = str_extract_all(encounter_alerts[989]$text, regex('^[0-9].*$', multiline = TRUE))[[1]], sep = '=', header = FALSE, col.names = c('code', 'reason'))
   code reason
1:    1    foo
2:    2    bar

我做错了什么？有没有更好的方法来做到这一点？

谢谢！

Answer 1

注意：阅读cmets后编辑

根据您的评论，我试图重现我理解的您的数据可能是什么样子。

library(tidyverse)

df <- tibble(
  strings = c("item A...1
item B...2
item C...3
item D...2
1=foo
2=bar
3=baz",
"item A...2
item B...2
item C...3
item D...1
1=toto
2=foo
3=lala",
"item A...3
item B...3
item C...3
item D...1
1=tutu
3=ttt")
)

代码：

get_ref <- function(string) {
  string %>%
    str_split("\n") %>%
    unlist() %>% 
    str_subset("=") %>%
    str_split_fixed("=", 2) %>%
    as_tibble() %>%
    rename(code = V1, reason = V2)
}

list1 <- map(df$strings, get_ref)

get_value <- function(string) {
  string %>%
      str_split("\n") %>%
      unlist() %>% 
      str_subset("\\.\\.\\.") %>%
      str_replace_all(".*\\.\\.\\.", "") %>%
      as_tibble() %>%
    rename(code = value)
}

list2 <- map(df$strings, get_value)

get_result <- function(df1, df2) {
  left_join(df1, df2) %>%
    count(reason) %>%
    spread(reason, n)
}

result <- map2_df(list1, list2, get_result)

result[is.na(result)] <- 0

result

结果

# A tibble: 3 x 7
    bar   baz   foo  lala  toto   ttt  tutu
  <dbl> <dbl> <dbl> <dbl> <dbl> <dbl> <dbl>
1     2     1     1     0     0     0     0
2     0     0     2     1     1     0     0
3     0     0     0     0     0     3     1

Answer 2

使用 stringr 和 dplyr 你可以很容易地做到这一点

library(stringr)
library(dplyr)
v <- as.data.frame(c(  "item A...1",
         "item B...2",
        "item C...3",
         "item D...2"))
colnames(v)<- "items"

matching <- c( "1",
               "2",
               "3")
Mapping <- read.table(text="code     reason
1    foo
                      2  bar
                      3  baz
                      ", header = T)

## Answer 
df1<- v %>%
  mutate(code = str_extract(v$items, str_c(matching, collapse = "|")))
str(df1)
str(Mapping)
df1$code <- as.numeric(df1$code )

df1 <- left_join(df1,Mapping)

请看一下

Answer 3

可能有更好的方法来做到这一点，但这是一个不需要任何额外库（除了你已经在使用的 stringr 之外）的解决方案。

sample_str <- 'item A...1
item B...2
item C...3
item D...2
1=foo
2=bar
3=baz'

lines <- stringr::str_split(sample_str, '\n', simplify = T)

extracted_strs <- lines[stringr::str_detect(lines, '^\\d=\\w+$')]

dfs_list <- lapply(extracted_strs, function(x) {
  str_parts <- stringr::str_split(x, '=', simplify = T)
  df_args = list()
  df_args[[str_parts[2]]] = as.integer(str_parts[1])
  df_args[['stringsAsFactors']] = F

  do.call(data.frame, df_args)
})


df <- do.call(cbind, dfs)

Answer 4

非常感谢 @prosoitos 提供的帮助。这是我最终使用的最终代码，高度基于公认的答案——它混合了不同的包等等，我希望最终清理它们，但最后期限会发生......

get_code_reason_mapping <- function(alert_text) {
  alert_text %>%
    str_extract_all(regex('^[0-9]=(.*)$', multiline = T)) %>%
    unlist() %>%
    str_split_fixed("=", 2) %>%
    as.data.table() %>%
    setnames(c('code', 'reason'))
}

encounter_alerts$code_reason_mapping <- map(encounter_alerts$alert_text, get_code_reason_mapping)

get_why_codes <- function(alert_text) {
  alert_text %>%
    str_extract_all(regex('[/n][0-9e][0-9>][0-9]$', multiline = TRUE)) %>%
    unlist() %>%
    str_sub(-1) %>%
    as.data.table() %>%
    setnames(c('code'))
}

encounter_alerts$why_codes <- map(encounter_alerts$alert_text, get_why_codes)

get_code_counts <- function(df1, df2) {
  left_join(df1, df2) %>%
    count(reason) %>%
    spread(reason, n)
}

code_counts <- map2_df(encounter_alerts$code_reason_mapping, encounter_alerts$why_codes, get_code_counts)

code_counts[is.na(code_counts)] <- 0

code_counts