将字符串分成单独的列 R

Question

我正在尝试整理一些数据，这些数据全部包含在名为“game_info”的 1 列中作为字符串。该数据包含即将到来的大学篮球比赛数据，包括日期、时间、球队 ID、球队名称等。理想情况下，每一个都是自己的列。我曾尝试使用空格分隔符分隔，但效果不佳，因为有些团队，例如“Duke”，他们的名字有 1 个部分，而团队的名字有 2 到 3 个部分（密歇根州、南达科他州等） ）。也有团队名称中带有“-”破折号。

这是我的数据：

df <- data.frame(list(
  game_info = c(
    "12/16 7:00 PM 751 Appalachian State 752 Duke",
    "12/16 7:00 PM 753 Chicago State 754 Indiana-Purdue",
    "12/16 8:00 PM 755 Texas-Arlington 756 Oral Roberts", 
    "12/16 10:00 PM 757 Dartmouth 758 Stanford"
    )
  ))

期望的输出：

date  time     away_team_id  away_team_name     home_team_id home_team_name
12/16 7:00 PM    751         Appalachian State  752          Duke
12/16 7:00 PM    753         Chicago State      754          Indiana-Purdue
12/16 8:00 PM    755         Texas-Arlington    756          Oral Roberts
12/16 10:00 PM   757         Dartmouth          758          Stanford

@Jonny Phelps @doRemy

Answer 1

这是一个正则表达式。有关正则表达式的解释，请参阅regex101 link

regex <- "^(\\d{2}\\/\\d{2})\\s*(\\d{1,2}:\\d{2}\\s*(PM|AM))\\s*(\\d+)\\s*([^\\d.]+)(\\d+)\\s*([^\\d.]+)$"

data <- data.frame(game_info=
  "12/16 7:00 PM 751 Appalachian State 752 Duke"
  ,"12/16 7:00 PM 753 Chicago State 754 Indiana-Purdue"
  ,"12/16 8:00 PM 755 Texas-Arlington 756 Oral Roberts"
  ,"12/16 10:00 AM 757 Dartmouth 758 Stanford"
)
library(stringr)

out <- do.call(rbind, str_match_all(data, regex))
out <- as.data.frame(out)
# remove full string & AM/PM
out$V1 <- NULL
out$V4 <- NULL
names(out) <- c("date", "time", "away_team_id", "away_team_name",
                "home_team_id", "home_team_name")
# remove white space from end
out$away_team_name <- trimws(out$away_team_name)
out$home_team_name <- trimws(out$home_team_name)
out

说明：

^(\d{2}/\d{2}) - 以 2 位数字/2 位数字开头，如 12/16。 ^ 是一个起始锚点，() 用于表示我们要捕获该组以进行拔除

\s* - 我们的第一组和下一组之间有 0 个或多个空格

(\d{1,2}:\d{2}\s*(PM|AM)) - 需要 1 或 2 位数字：2 位数字，然后可能是空格和 PM 或 AM

\s*(\d+)\s* - 任意位数周围的空格，第一个 id

([^\d.]+) - 所有非数字字符。如果您的团队名称中有数字，这将下降。如果是这样，找到一些例子，我们可以改进它。空白随后被捕获，因此稍后使用 trimws 删除

(\d+)\s* - 第二个 id 和空格

([^\d.]+)$ - 最后是其他队名和结尾句锚

Answer 2

一种简单的方法是将dplyr 库中的extract 与正则表达式一起使用：

# Define the column names:
column_names <- c("date", "time", "away_team_id", "away_team_name", "home_team_id", "home_team_name")
# Define the regex expression:
regex_expr <- paste(
  "([0-9]{1,2}[/][0-9]{1,2})", # The date
  "([0-9]{1,2}:[0-9]{1,2} [A-Za-z]{2})", # The time
  "([0-9]+)", # The away team id
  "([A-Za-z -]+)", # The away team name
  "([0-9]+)", # The home team id
  "([A-Za-z -]+)" # The home team name
)
# Extract the columns:
df %>% extract(col = game_info, into = column_names, regex = regex_expr)

Answer 3

您可以尝试此解决方案，该解决方案只需要与[:digit:] 进行简单的模式匹配。一个额外的要求是在开头有日期和时间，在数字 ID 之间有角色团队信息。
此外，您可以在拆分列表 dspl 上使用 trimws 删除不需要的 TAB kbd> 或类似的。

数据

dat <- structure(list(game_info = c("12/16 7:00 PM 751 Appalachian State 752 Duke", 
"12/16 7:00 PM 753 Chicago State 754 Indiana-Purdue", "12/16 8:00 PM 755 Texas-Arlington 756 Oral Roberts", 
"12/16 10:00 PM 757 Dartmouth 758 Stanford")), class = "data.frame", row.names = c(NA, 
-4L))

dspl <- strsplit( dat$game_info, " +" )

dat_tmp <- cbind( date=as.vector(sapply( dspl, function(x) x[1] )), 
  time=unlist( lapply( dspl, function(x) paste( x[2:3], collapse=" " ) ) ),
  away_team_id=as.vector( sapply( dspl, function(x) x[4] ) ) )

data.frame( dat_tmp, 
  away_team_name=sapply( dspl, function(x) 
    paste(x[ tail( head( grep( "[[:digit:]]", x )[3]:grep( "[[:digit:]]", x )[4], -1 ), -1 ) ], collapse=" ") ), 
  home_team_id=sapply( dspl, function(x) 
    x[ max( grep( "[[:digit:]]", x ) )] ), 
  home_team_name=sapply( dspl, function(x) 
    paste( tail( x[ max( grep( "[[:digit:]]", x ) ):length(x)], -1), collapse=" " ) ) )

   date     time away_team_id    away_team_name home_team_id home_team_name
1 12/16  7:00 PM          751 Appalachian State          752           Duke
2 12/16  7:00 PM          753     Chicago State          754 Indiana-Purdue
3 12/16  8:00 PM          755   Texas-Arlington          756   Oral Roberts
4 12/16 10:00 PM          757         Dartmouth          758       Stanford

Answer 4

这是另一种方法：

library(dplyr)
library(stringr)
library(tidyr)

my_pattern <- "\\b((1[0-2]|0?[1-9]):([0-5][0-9]) ([AaPp][Mm]))"

df %>% 
  mutate(date = substr(game_info, 1,5),
         time = str_extract(game_info, my_pattern),
         helper = str_remove(game_info, my_pattern), .keep="unused") %>% 
  mutate(helper = str_squish(str_remove(helper, substr(helper, 1,5)))) %>% 
  separate(helper, c("away_team_id", "away_team_name"), sep = '\\s', remove = FALSE) %>%   
  mutate(home_team_id = str_extract_all(helper, '(\\d+)(?!.*\\d)'),
         home_team_name = sub(".*\\s", "", helper), .keep="unused")

   date     time away_team_id  away_team_name home_team_id home_team_name
1 12/16  7:00 PM          751     Appalachian          752           Duke
2 12/16  7:00 PM          753         Chicago          754 Indiana-Purdue
3 12/16  8:00 PM          755 Texas-Arlington          756        Roberts
4 12/16 10:00 PM          757       Dartmouth          758       Stanford

Answer 5

你可以使用 {unglue} ：

unglue::unglue_unnest(
  df, game_info, 
  "{date} {hour} {away_team_id=\\d+} {away_team_name} {home_team_id=\\d+} {home_team_name}", convert = TRUE)
#>    date     hour away_team_id    away_team_name home_team_id home_team_name
#> 1 12/16  7:00 PM          751 Appalachian State          752           Duke
#> 2 12/16  7:00 PM          753     Chicago State          754 Indiana-Purdue
#> 3 12/16  8:00 PM          755   Texas-Arlington          756   Oral Roberts
#> 4 12/16 10:00 PM          757         Dartmouth          758       Stanford

^{由reprex package (v2.0.1) 于 2021-12-17 创建}

为了正确解析它，我们必须提供一些正则表达式信息，而 unglue 会“猜测”其余部分，如果我们只是告诉 unglue id 必须是数字就足够了。 {away_team_name} 等价于 {away_team_name=.*?}。 convert = TRUE 会将 id 放在数字列而不是文本中。