将字符串列分成多列（无标准格式）？

Question

我有一个已导入 R 的 excel 文件。问题是有超过 100,000 行的数据在单个单元格中如下所示：

{'gender': 'Male', 'nationality': 'IRL', 'document_type': 'passport', 'date_of_expiry': '2019-08-12', 'issueing_country': 'IRL'}

所以发生的情况是，R 也将整个信息放入了我表中的一个框中。我希望 R 将这一列分成多个列，例如“性别”、“国籍”、“文档类型”等。每个列都有自己的列，分别包含“男性”、“IRL”、“护照”等条目排。问题是在其他单元格中遗漏了一些信息，例如另一个单元格可能如下所示：

{'gender': 'Female', 'document_type': 'driving_licence', 'date_of_expiry': '2023-02-28', 'issueing_country': 'GBR'}

还有一个这样的：

{'document_type': 'driving_licence', 'date_of_expiry': '2044-12-14', 'issuing_country': 'GRC'}

如何将这些条目分配给它们自己的列，并且在未提供任何信息的情况下具有空值。我是初学者 R 用户。我曾尝试使用包“qdapRegex”，因为他们有一个方便的工具，我可以在其中提取其他两个字符/字符串之间的字符，但无济于事。我想如果我能弄清楚如何应用像'|'这样的运算符到字符串我可以用我的方式做到这一点。

输入后：

input <- read.csv(text=r"(
ID, Properties
1,"{'gender': 'Male', 'nationality': 'IRL', 'document_type': 'passport', 'date_of_expiry': '2019-08-12', 'issuing_country': 'IRL'}"
2,"{'document_type': 'national_identity_card', 'date_of_expiry': '2027-01-23', 'issuing_country': 'CYP'}"
3,"{'date_of_expiry': '2019-01-28', 'issuing_country': 'JEY'}"
4,"{'document_type': 'driving_licence', 'date_of_expiry': '2006-06-14', 'issuing_country': 'POL'})")

期望的输出：

output <- read.csv(text="
ID,gender,nationality,document_type,date_of_expiry,issuing_country
1,Male,IRL,passport,2019-08-12,IRL
2,,,national_identity_card,2027-01-23,CYP
3,,,,2019-01-28,JEY
4,,,driving_licence,2006-06-14,POL
")

Answer 1

所以您的数据非常类似于 JSON。唯一的“问题”是它使用单引号而不是双引号。如果我们交换引号，我们可以更容易地解析数据。这是一些使用一些帮助包来完成​​工作的代码

library(purrr)
library(dplyr)
library(jsonlite)
library(tidyr)

input %>% 
  mutate(Properties = gsub("'", "\"", Properties)) %>% 
  mutate(Properties = map(Properties, fromJSON)) %>% 
  unnest_wider(Properties)

#      ID gender nationality document_type          date_of_expiry issuing_country
#   <int> <chr>  <chr>       <chr>                  <chr>          <chr>          
# 1     1 Male   IRL         passport               2019-08-12     IRL            
# 2     2 NA     NA          national_identity_card 2027-01-23     CYP            
# 3     3 NA     NA          NA                     2019-01-28     JEY            
# 4     4 NA     NA          driving_licence        2006-06-14     POL 

当我们解析 JOSN 时，我们会得到一个命名的值列表。 tidyr::unnest_wider 函数会将值列表转换为列。