按字符的第 n 个实例拆分数据框中的列答案

【问题标题】：Splitting a column in a data frame by an nth instance of a character按字符的第 n 个实例拆分数据框中的列
【发布时间】：2018-11-28 20:12:30
【问题描述】：

我有一个包含多列的数据框，其中一列由管道“|”填充以及我试图获取的信息。

例如：

View(Table$Column)
"|1||KK|12|Gold||4K|"
"|1||Rst|E|Silver||13||"
"|1||RST|E|Silver||18||"
"|1||KK|Y|Iron|y|12||"
"|1||||Copper|Cpr|||E"
"|1||||Iron|||12|F"

以此类推，大约有 120K 行。我要挖掘的是这个系列中第 5 根管子和第 6 根管子之间的所有东西，但是在它自己的列向量中，所以最终结果如下所示：

View(Extracted)
Gold
Silver
Silver
Iron
Copper
Iron

我不想使用正则表达式。我的工具在这里仅限于 R。你们有什么建议可以解决这个问题吗？

谢谢。

【问题讨论】：

标签： r dataframe split dplyr character

【解决方案1】：

1) 假设 x 在注释中可重现地定义，最后使用 read.table，如图所示。没有使用正则表达式或包。

read.table(text = Table$Column, sep = "|", header = FALSE, 
  as.is = TRUE, fill = TRUE)[6]

给予：

      V6
1   Gold
2 Silver
3 Silver
4   Iron
5 Copper
6   Iron

2) 这个替代方案确实使用了正则表达式（问题要求不要这样做），但以防万一这是一个更简洁的解决方案。请注意，它需要 tidyr 0.8.2 或更高版本，因为早期版本的 tidyr 不支持 into= 参数中的 NA。

library(dplyr)
library(tidyr)

Table %>% 
  separate(Column, into = c(rep(NA, 5), "commodity"), sep = "\\|", extra = "drop")

给予：

  commodity
1      Gold
2    Silver
3    Silver
4      Iron
5    Copper
6      Iron

3) 这是另一种基本解决方案。考虑到 (1) 简单得多，这可能不是您想要的，但我想看看我们是否可以在 base 中提出第二种不使用正则表达式的方法。请注意，如果strsplit 的split= 参数是""，那么它会被特殊处理，因此不是正则表达式。它创建一个列表，其中每个组件都是单个字符的向量。每个这样的向量都被传递给匿名函数，该函数标记| 以及它后面的字段中的字符及其序号。然后我们取出对应于 5 的字符（除了第一个，因为它是 |）并使用 paste 将它们折叠在一起。

data.frame(commodities = sapply(strsplit(Table$Column, ""), function(chars) {
  wx <- which(cumsum(chars == "|") == 5)
  paste(chars[seq(wx[2], tail(wx, 1))], collapse = "")
}), stringsAsFactors = FALSE)

给予：

  commodities
1        Gold
2      Silver
3      Silver
4        Iron
5      Copper
6        Iron

注意

Table <- data.frame(Column = c("|1||KK|12|Gold||4K|",
  "|1||Rst|E|Silver||13||",
  "|1||RST|E|Silver||18||",
  "|1||KK|Y|Iron|y|12||",
  "|1||||Copper|Cpr|||E",
  "|1||||Iron|||12|F"), stringsAsFactors = FALSE)

【讨论】：

【解决方案2】：

你可以试试这个：

df <- data.frame(x = c("|1||KK|12|Gold||4K|", "|1||Rst|E|Silver||13||"), stringsAsFactors = FALSE)
library(stringr)
stringr::str_split(df$x, "\\|", simplify = TRUE)[, 6]

【讨论】：

【解决方案3】：

1)我们可以在分隔符|上使用strsplit from base R，并从vectors的list中提取第6个元素

sapply(strsplit(Table$Column, "|", fixed = TRUE), `[`, 6)
#[1] "Gold"   "Silver" "Silver" "Iron"   "Copper" "Iron"

2)或者使用regex（同样来自base R），使用sub提取第6个单词

sub("^([|][^|]+){4}[|]([^|]*).*", "\\2", 
       gsub("(?<=[|])(?=[|])", "and", Table$Column, perl = TRUE))
#[1] "Gold"   "Silver" "Silver" "Iron"   "Copper" "Iron"

数据

Table <- structure(list(Column = c("|1||KK|12|Gold||4K|", 
 "|1||Rst|E|Silver||13||", 
 "|1||RST|E|Silver||18||", "|1||KK|Y|Iron|y|12||", "|1||||Copper|Cpr|||E", 
 "|1||||Iron|||12|F")), class = "data.frame", row.names = c(NA, 
 -6L))

【讨论】：