如何将 XML 的一部分转换为数据框？（适当地）答案

【问题标题】：How to convert an portion of an XML into a data frame? (properly)如何将 XML 的一部分转换为数据框？（适当地）
【发布时间】：2014-03-25 05:16:42
【问题描述】：

我正在尝试从 ClinicalTrials.gov 的 XML 文件中提取信息。该文件按以下方式组织：

<clinical_study>
  ...
  <brief_title>
  ...
  <location>
    <facility>
      <name>
      <address>
        <city>
        <state>
        <zip>
        <country>
    </facility>
    <status>
    <contact>
      <last_name>
      <phone>
      <email>
    </contact>
  </location>
  <location>
    ...
  </location>
  ...
</clinical_study>

我可以在以下代码中使用来自 CRAN 的 R XML 包从 XML 文件中提取所有位置节点：

library(XML)
clinicalTrialUrl <- "http://clinicaltrials.gov/ct2/show/NCT01480479?resultsxml=true"
xmlDoc <- xmlParse(clinicalTrialUrl, useInternalNode=TRUE)
locations <- xmlToDataFrame(getNodeSet(xmlDoc,"//location"))

这还不错。然而，如果您查看数据框，您会注意到 xmlToDataFrame 函数将<facility> 下的所有内容集中到一个连接字符串中。一种解决方案是编写代码以逐列生成数据框，例如，您可以生成

【问题讨论】：

您可以执行以下操作：xpathSApply(xmlDoc, "//clinical_study/location/facility/name", xmlValue) 以分别吸出<facility> 的每个组件。不过，我不确定如何一口气做到这一点。
你所做的对我来说非常有效。我的 XML 文件很简单。

标签： xml r

【解决方案1】：

您可以先将 XML 展平。

flatten_xml <- function(x) {
  if (length(xmlChildren(x)) == 0) structure(list(xmlValue(x)), .Names = xmlName(xmlParent(x)))
  else Reduce(append, lapply(xmlChildren(x), flatten_xml))
}

dfs <- lapply(getNodeSet(xmlDoc,"//location"), function(x) data.frame(flatten_xml(x)))
allnames <- unique(c(lapply(dfs, colnames), recursive = TRUE))
df <- do.call(rbind, lapply(dfs, function(df) { df[, setdiff(allnames,colnames(df))] <- NA; df }))
head(df)

 #          city      state   zip       country     status          last_name        phone                    email               last_name.1
 # 1  Birmingham    Alabama 35294 United States Recruiting Louis B Nabors, MD 205-934-1813          bnabors@uab.edu        Louis B Nabors, MD
 # 2      Mobile    Alabama 36604 United States Recruiting Melanie Alford, RN 251-445-9649     malford@usouthal.edu    Pamela Francisco, CCRP
 # 3     Phoenix    Arizona 85013 United States Recruiting     Lynn Ashby, MD 602-406-6262           LASHBY@CHW.EDU            Lynn Ashby, MD
 # 4      Tucson    Arizona 85724 United States Recruiting         Jamie Holt 520-626-6800 jholt1@email.arizona.edu Baldassarre Stea, MD, PhD
 # 5 Little Rock   Arkansas 72205 United States Recruiting   Wilma Brooks, RN 501-686-8530       ALEubanks@uams.edu       Amanda Eubanks, APN
 # 6    Berkeley California 94704 United States  Withdrawn               <NA>         <NA>                     <NA>                      <NA>

【讨论】：

谢谢，它成功了。由于某种原因，我的编译器不喜欢该函数的语法，所以我不得不将其更改为：flatten_xml <- function(x) { if (length(xmlChildren(x)) == 0) {structure(list(xmlValue(x)), .Names = xmlName(xmlParent(x)))} else {Reduce(append, lapply(xmlChildren(x), flatten_xml))} }
是的，我认为我们使用的是不同的版本。固定。
有机会别忘了接受我的回答。 :)

【解决方案2】：

此答案将 XML 转换为列表，取消列出每个位置部分，转置部分，将部分转换为 data.table，然后使用 rbindlist 将所有单独的位置合并到一个表中。 fill=T 参数按名称匹配元素，并用NA 填充缺失的元素值。

library(XML); library(data.table)

clinicalTrialUrl <- "http://clinicaltrials.gov/ct2/show/NCT01480479?resultsxml=true"
xmlDoc <- xmlParse(clinicalTrialUrl, useInternalNode=TRUE)

xmlToDT <- function(doc, path) {
  rbindlist(
    lapply(getNodeSet(doc, path),
           function(x) data.table(t(unlist(xmlToList(x))))
    ), fill=T)
}

locationDT <- xmlToDT(xmlDoc, "//location")
locationDT[1:6]
##                                                                       facility.name facility.address.city facility.address.state facility.address.zip
## 1:                                                                "HYGEIA" Hospital               Marousi     District of Attica               151 23
## 2: Allina Health, Abbott Northwestern Hospital, John Nasseff Neuroscience Institute           Minneapolis              Minnesota                55407
## 3:                  Amrita Institute of Medical Sciences and Research Centre, Kochi                 Kochi                 Kerala              682 026
## 4:                                                      Anne Arundel Medical Center             Annapolis               Maryland                21401
## 5:                                                              Atlanta Cancer Care               Atlanta                Georgia                30005
## 6:                                                                    Austin Health            Heidelberg               Victoria                 3084
##    facility.address.country
## 1:                   Greece
## 2:            United States
## 3:                    India
## 4:            United States
## 5:            United States
## 6:                Australia

【讨论】：