根据部分模式拆分数据框列中的文本答案

【问题标题】：Split text in columns of data frame based upon part of a pattern根据部分模式拆分数据框列中的文本
【发布时间】：2017-08-03 15:07:05
【问题描述】：

使用 R 我试图将具有指定分隔符的列中的文本拆分为始终两个新列。下面是一个示例数据框：

repdf <- data.frame(a=c("abc(100)","def(95)","ghi(100)","j_(klm)(100)"),b=c("abc(100)","def(95)","ghi(100)","j_(klm)(100)"))

简单地说，我想在每个开括号“（”处进行拆分，但前提是它后面跟着一个数字，但不会丢失数字。即所需的结果应该如下所示：

a1      a2    b1      b2
abc     100)  abc     100)
def     95)   def     95)
ghi     100)  ghi     100)
j_(klm) 100)  j_(klm) 100)

我曾尝试与splitstackshape::cSplit 和stringr::str_split_fixed 合作，但无济于事。 cSplit(repdf,c("a","b"),"(") 在每个 "(" 处拆分

   a_1  a_2  a_3 b_1  b_2  b_3
1: abc 100)   NA abc 100)   NA
2: def  95)   NA def  95)   NA
3: ghi 100)   NA ghi 100)   NA
4:  j_ klm) 100)  j_ klm) 100)

cSplit(repdf,c("a","b"),"\\(([0-9])",fixed=FALSE) 删除第一个数字，如果可以使用 \1 将捕获添加到第二个组，那会很好，但遗憾的是它不是。

       a_1 a_2     b_1 b_2
1:     abc 00)     abc 00)
2:     def  5)     def  5)
3:     ghi 00)     ghi 00)
4: j_(klm) 00) j_(klm) 00)

as.data.frame(lapply(repdf,function(x)str_split_fixed(x,"\\(",n=2))) 确实允许我只拆分为 2 列，但当然只需要第一个匹配项：

  a.1       a.2 b.1       b.2
1 abc      100) abc      100)
2 def       95) def       95)
3 ghi      100) ghi      100)
4  j_ klm)(100)  j_ klm)(100)

【问题讨论】：

正如here 所讨论的，来自tidyr 的extract 可能会提供必要的灵活性。
@Konrad 虽然这确实是可能的（例如tidyr::extract(data=repdf,a,into=c('tax','prob'),"(.*)\\((?=\\d)(.*)",perl=TRUE)，但推断具有多列的 data.frame 并不容易。
@Konrad：你让我思考。虽然我最初卡在tidyr::extract 的非标准评估版本上，但标准评估功能实际上非常优雅。我在下面添加了一个使用它的答案。

标签： r strsplit

【解决方案1】：

这就是前瞻派上用场的地方...本质上，我们寻找(，后跟一个数字\\d，但前瞻不使用该数字进行拆分。

do.call(cbind, lapply(repdf, function(x){
  do.call(rbind, strsplit(as.character(x), "\\((?=\\d)", perl = TRUE))
}))

# [,1]      [,2]   [,3]      [,4]  
# [1,] "abc"     "100)" "abc"     "100)"
# [2,] "def"     "95)"  "def"     "95)" 
# [3,] "ghi"     "100)" "ghi"     "100)"
# [4,] "j_(klm)" "100)" "j_(klm)" "100)"

【讨论】：

【解决方案2】：

受@Konrad 建议的启发，我发现以下内容可以与tidyr::extract 一起使用，但我需要使用它的标准评估版本tidyr::extract_：

do.call(cbind, lapply(seq_along(repdf),
       function(df, i){
         tidyr::extract_(data=df[i], col = names(df[i]),
                  into=c(paste0("tax",i),paste0("prob",i)),
                  regex = "(.*)\\((?=\\d)(.*)",perl=TRUE)}, df=repdf))

这里的优点是您可以为拆分列指定预定义名称（例如，此处为 tax 和 prob），这对于下游数据整理很有用。另一方面，关于已接受答案的有趣之处在于，当事先不知道数据拆分到的列数（或取决于初始数据框列的变量）时，它仍然会像魅力一样工作。

【讨论】：