如何正确操作 R 中数据框中的字符串列？答案

【问题标题】：How to properly manipulate a string column in a data frame in R?如何正确操作 R 中数据框中的字符串列？
【发布时间】：2013-07-18 23:50:20
【问题描述】：

我有一个 data.frame，其中包含一个包含句点的字符串列，例如“a.b.c.X”。我想按句点拆分字符串并保留第三段，例如给出的示例中的“c”。这就是我正在做的事情。

> df = data.frame(v=c("a.b.a.X", "a.b.b.X", "a.b.c.X"), b=seq(1,3))
> df
        v b
1 a.b.a.X 1
2 a.b.b.X 2
3 a.b.c.X 3

而我想要的是

> df = data.frame(v=c("a.b.a.X", "a.b.b.X", "a.b.c.X"), b=seq(1,3))
> df
        v b
1 a 1
2 b 2
3 c 3

我正在尝试使用within，但我得到了奇怪的结果。第一列第一行的值正在重复。

> get = function(x) { unlist(strsplit(x, "\\."))[3] }
> within(df, v <- get(as.character(v)))
  v b
1 a 1
2 a 2
3 a 3

这样做的最佳做法是什么？我做错了什么？

更新：这是我从@agstudy 的回答中使用的解决方案：

> df = data.frame(v=c("a.b.a.X", "a.b.b.X", "a.b.c.X"), b=seq(1,3))
> get = function(x) gsub(".*?[.].*?[.](.*?)[.].*", '\\1', x)
> within(df, v <- get(v))                                                                                                                                                               
  v b
1 a 1
2 b 2
3 c 3

【问题讨论】：

标签： regex r string dataframe

【解决方案1】：

你可以使用一些正则表达式：

gsub(".*?[.].*?[.](.*?)[.].*", '\\1', df$v)
[1] "a" "b" "c"

或者更简洁：

gsub("(.*?[.]){2}(.*?)[.].*", '\\2', v)

【讨论】：

正则表达式总是要求我做一些思考，所以当别人做这些思考时，我很感激。 +1
@TylerRinker 谢谢，虽然我在这方面很懒 :)（懒惰的贪婪）
@agstudy 谢谢！我一直在努力寻找正确的方法来使用 R 中的正则表达式来做我想做的事情。以前我在将数据导入 R 之前先在 perl 中进行转换，但我知道必须有一种方法可以在 R 中做到这一点。所以strsplit/unlist 或 gsub 哪个更快？
@drsnyder 我认为这里的gsub 更快，它是矢量化的，其他解决方案使用循环。但是您应该进行基准测试以验证这一点。
如何让 gsub 在数据框内工作？我希望能够跨数据框运行一个函数并就地更新值。上面的@TylerRinker 解决方案可以正确执行此操作，但您提供的 gsub 方法没有。谢谢！

【解决方案2】：

问题不在于within，而在于您的get 函数。它返回一个字符 ("a")，当添加到您的 data.frame 时会被回收。您的代码应如下所示：

get.third <- function(x) sapply(strsplit(x, "\\."), `[[`, 3)
within(df, v <- get.third(as.character(v)))

【讨论】：

感谢您的快速回复。在这种情况下使用strsplit + unlist 和sapply 有什么区别？具体为什么get的返回值被回收而不是单独应用到数据框中的每一行？

【解决方案3】：

这是一种可能的解决方案：

df[, "v"] <- do.call(rbind, strsplit(as.character(df[, "v"]), "\\."))[, 3]

## > df
##   v b
## 1 a 1
## 2 b 2
## 3 c 3

【讨论】：

【解决方案4】：

“我做错了什么”的答案是，您认为提取每个拆分字符串的第三个元素的代码实际上是把 all 的元素放入 all 你的字符串在一个向量中，然后返回第三个元素：

get = function(x) { 
  splits = strsplit(x, "\\.")
  print("All the elements: ")
  print(unlist(splits))
  print("The third element:")
  print(unlist(splits)[3])
  # What you actually wanted:
  third_chars = sapply(splits, function (x) x[3])
}
within(df, v2 <- get(as.character(v)))

【讨论】：