从文件名中提取字符串并使用 mutate 创建新列答案

【问题标题】：Extract strings from filename and create new columns using mutate从文件名中提取字符串并使用 mutate 创建新列
【发布时间】：2018-04-24 15:28:36
【问题描述】：

我有一个包含两列的 data.frame。第二列是文件名。

df  <- data.frame(paragraph = "Lorem ipsum dolor sit amet, consetetur sadipscing elitr, sed diam nonumy eirmod tempor invidunt ut labore et dolore magna aliquyam erat, sed diam voluptua.",
             filename = "./data/RevCon_2015_C1_Austria_05_06.txt", stringsAsFactors = FALSE)

如何从第二列中提取某些字符串（使用stringr）并将它们添加（使用dplyr::mutate）作为附加变量（会议、年份、国家等），以便得到以下结果：

df2  <- data.frame(paragraph = "Lorem ipsum dolor sit amet, consetetur sadipscing elitr, sed diam nonumy eirmod tempor invidunt ut labore et dolore magna aliquyam erat, sed diam voluptua.",
              filename = "./data/RevCon_2015_C1_Austria_05_06.txt", conference = "RevCon", year = "2015", country= "Austria", date = "06.05.2015", stringsAsFactors = FALSE)

【问题讨论】：

filename 列中的所有条目是否具有相同的模式？ IE。 ./data/{conference}_{year}_{ignored}_{country}_{month}_{day}.txt?
大部分，是的。有一些例外，但我想我可以过滤它们并在第二次运行中提取这些信息，然后加入两个数据集

标签： r stringr dplyr

【解决方案1】：

我们可以使用tidyr::separate：

library(tidyverse);
df %>%
    mutate(tmp = gsub("(\\./data/|\\.txt)", "", filename)) %>%
    separate(
        tmp,
        into = c("conference", "year", "ignored", "country", "month", "day")) %>%
    mutate(date = paste(day, month, year, sep = "/")) %>%
    select(-ignored, -month, -day)
#          paragraph                                filename conference year
#1 Lorem ipsum [...] ./data/RevCon_2015_C1_Austria_05_06.txt     RevCon 2015
#  country        date
#1 Austria  06/05/2015

请注意，这假定 filenames 遵循以下模式：./data/{conference}_{year}_{ignored}_{country}_{month}_{day}.txt

样本数据

df  <- data.frame(
    paragraph = "Lorem ipsum [...]",
    filename = "./data/RevCon_2015_C1_Austria_05_06.txt",
    stringsAsFactors = FALSE)

【讨论】：

【解决方案2】：

这里有两种不同的方法，使用来自tidyr 的separate 和extract：

library(dplyr)
library(tidyr)

df %>%
  mutate(filename2 = gsub("^(\\w+)_(\\d+)_.+?_(\\w+)_(\\d{2})_(\\d{2}).+$", 
                          "\\1_\\2_\\3_\\5.\\4.\\2", basename(filename))) %>%
  separate(filename2, c("conference", "year", "country", "date"), sep = "_")

或extract:

df %>%
  extract(filename, c("conference", "year", "country", "day", "month"),
          "^.+/(\\w+)_(\\d+)_.+?_(\\w+)_(\\d{2})_(\\d{2}).+$",
          remove = FALSE) %>%
  unite(date, month, day, year, sep = ".", remove = FALSE) %>%
  select(paragraph, filename, conference, year, country, date)

结果：

                                                                   paragraph
1 Lorem ipsum dolor sit amet, consetetur sadipscing elitr, sed diam nonumy eirmod tempor invidunt ut labore et dolore magna aliquyam erat, sed diam voluptua.
                                 filename conference year country       date
1 ./data/RevCon_2015_C1_Austria_05_06.txt     RevCon 2015 Austria 06.05.2015

注意事项：

第一种方法使用gsub 来匹配我们想要使用捕获组的每个“列”，并根据需要重新排序。请注意，添加了_ 以区分列
- 我使用basename 函数提取最后一个/ 之后的所有内容
- 然后使用separate 将元素拆分为实际的列，_ 是分隔符
第二种方法使用相同的正则表达式，但不是重新排列，extract 将每个捕获组视为单独的列
- unite 将 month、day 和 year 绑定在一起，而不删除原始列
- 最后select 删除day 和month 并重新排列列顺序

【讨论】：