按管道中的位置提取子串

Question

我想从小标题的id 列的每一行中提取子字符串。我总是对原始id 的第一和第三空间之间的区域感兴趣。生成的子字符串，所以 Zoe Boston 和 Jane Rome，将进入新列 - name。

我尝试使用str_locate_all 获取每个id 中“空格”的位置，然后使用位置来使用str_sub。但是我无法正确提取位置。

data <- tibble(id = c("#1265746 Zoe Boston 58962 st. Victory cont_1.0)", "#958463279246 Jane Rome 874593.01 musician band: XYZ 985147") ) %>% 
   mutate(coor =  str_locate_all(id, "\\s"),
   name = str_sub(id, start = coor[[1]], end = coor[[3]] ) )

Answer 1

您可以使用正则表达式来提取您想要的内容。

假设您已将 tibble 存储在 data，您可以使用 sub 提取第一个和第二个单词。

sub('^#\\w+\\s(\\w+\\s\\w+).*', '\\1', data$id)
#[1] "Zoe Boston" "Jane Rome" 

^# - 以哈希开头

\\w+ - 一句话

\\s - 空格

( - 捕获组的开始

\\w+ - 一句话

后跟\\s - 空格

\\w+ - 另一个词

) - 捕获组结束。

.* - 剩余字符串。

---

str_locate 更复杂，因为它首先返回空格的位置，然后您需要选择第一个空格的结尾和第三个空格的开头，然后使用str_sub 提取这些位置之间的文本。

library(dplyr)
library(stringr)
library(purrr)

data %>%
   mutate(coor =  str_locate_all(id, "\\s"), 
          start = map_dbl(coor, `[`, 1) + 1, 
          end = map_dbl(coor, `[`, 3) - 1,
          name = str_sub(id, start, end))

# A tibble: 2 x 2
#  id                                                          name      
#  <chr>                                                       <chr>     
#1 #1265746 Zoe Boston 58962 st. Victory cont_1.0)             Zoe Boston
#2 #958463279246 Jane Rome 874593.01 musician band: XYZ 985147 Jane Rome 

Answer 2

使用stringr 和purrr 包的另一种可能解决方案

library(stringr)
library(purrr)
library(dplyr)

data %>%
  mutate(name = map_chr(str_split(id, " "), ~paste(unlist(.)[2:3], collapse = " ")))

解释：

• 在str_split(id, " ") 中，我们创建了一个在id 中用空格分隔的术语列表
• map_chr 可用于获取这些列表中的每一个，并对它们应用以下功能：取消列表，获取位置 2 和 3 的元素（这是我们想要的 name），然后用空格折叠它们他们之间

---

输出

# A tibble: 2 x 2
#   id                                                          name      
#   <chr>                                                       <chr>     
# 1 #1265746 Zoe Boston 58962 st. Victory cont_1.0)             Zoe Boston
# 2 #958463279246 Jane Rome 874593.01 musician band: XYZ 985147 Jane Rome