如何用正则表达式清理数据框列？答案

【问题标题】：How to clean up dataframe column with regular expression?如何用正则表达式清理数据框列？
【发布时间】：2021-04-28 06:48:21
【问题描述】：

考虑这个数据框：

df <- data.frame(Index=c(1:4),
                  Perc1=c("SC(23.43%","12.21%","","(18.44%"))
  Index     Perc1
1     1 SC(23.43%
2     2    12.21%
3     3          
4     4   (18.44%

目标是使用正则表达式清理其列Perc1。

想要的结果：

  Index  Perc1
1     1 0.2343
2     2 0.1221
3     3       
4     4 0.1844

我尝试了以下代码，但我得到一个错误和错误的结果。

pattern <- ".*([0-9]+.[0-9]{2})%"
ind <- grep(pattern, df$Perc1, value = FALSE)
df$Perc1 <- sub(pattern, "\\1", df$Perc1)
df$Perc1[-ind] <- NA
df$Perc1 <- as.numeric(df$perc1)/100

【问题讨论】：

标签： r regex dataframe

【解决方案1】：

您可以使用readr::parse_number直接从Perc1获取号码。

transform(df, Perc1 = readr::parse_number(Perc1)/100)

#. Index  Perc1
#1     1 0.2343
#2     2 0.1221
#3     3     NA
#4     4 0.1844

【讨论】：

完美，谢谢！我仍然对我的正则表达式模式出了什么问题感到好奇
@Andrew 您需要使正则表达式不贪婪。试试这个pattern <- ".*?([0-9]+.[0-9]{2})%"

【解决方案2】：

您可以使用regexpr 和regmatches 提取数字。

r <- regexpr("\\d*\\.?\\d*(?=%)", df$Perc1, perl=TRUE)
df$Perc1 <- as.numeric(`[<-`(rep(NA, length(r)), r!=-1, regmatches(df$Perc1, r))) / 100
df
#  Index  Perc1
#1     1 0.2343
#2     2 0.1221
#3     3     NA
#4     4 0.1844

你的方法：

pattern <- ".*?([0-9]+.[0-9]{2})%"   #Adding ? after *
ind <- grepl(pattern, df$Perc1)      #Change to grepl to get logical vector
df$Perc1 <- sub(pattern, "\\1", df$Perc1)
df$Perc1[!ind] <- NA                 #Invert the logical vector
df$Perc1 <- as.numeric(df$Perc1)/100 #There was a typo perc1 instead of Perc1
df
#  Index  Perc1
#1     1 0.2343
#2     2 0.1221
#3     3     NA
#4     4 0.1844

【讨论】：

【解决方案3】：

您可以str_extract 并将数字转换为数字：

library(stringr)
df$Perc1 <- as.numeric(str_extract(df$Perc1, "\\d\\d\\.\\d\\d"))/100

结果：

df
  Index  Perc1
1     1 0.2343
2     2 0.1221
3     3     NA
4     4 0.1844

【讨论】：