使用 dplyr mutate 和现有列的子字符串创建新列答案

【问题标题】：Create new column with dplyr mutate and substring of existing column使用 dplyr mutate 和现有列的子字符串创建新列
【发布时间】：2017-06-18 14:38:51
【问题描述】：

我有一个包含一列字符串的数据框，并希望将这些字符串的子字符串提取到一个新列中。

这里是一些示例代码和数据，显示我想在id 列中的最后一个下划线字符之后获取字符串，以创建new_id 列。 id 列条目总是有 2 个下划线字符，它总是我想要的最后一个子字符串。

df = data.frame( id = I(c("abcd_123_ABC","abc_5234_NHYK")), x = c(1.0,2.0) )

require(dplyr)

df = df %>% dplyr::mutate(new_id = strsplit(id, split="_")[[1]][3])

我期待 strsplit 依次作用于每一行。

但是，new_id 列在每一行中仅包含 ABC，而我希望在第 1 行中包含 ABC，在第 2 行中包含 NHYK。您知道为什么会失败以及如何实现我想要的吗?

【问题讨论】：

这是因为您致电strsplit。 [[1]] 总是抓取列表的第一个元素。
在基础 R 中，就像一点正则表达式魔法一样简单：df$newVar <- sub(".*_([A-Z]+)$", "\\1", df$id)。

标签： r dplyr strsplit

【解决方案1】：

这可以通过指定simplify 参数使用str_split 来完成。

Simplify 取消列出拆分字符串并允许使用索引选择元素。在这种总是有 2 个“_”的情况下，我们总是可以取第三个元素。

# Create df
df = data.frame( id = I(c("abcd_123_ABC","abc_5234_NHYK")), x = c(1.0,2.0) )

# Create new_id using dplyr only
df <- df %>% 
  mutate(new_id = str_split(id, "_", simplify = TRUE)[ , 3])

见https://github.com/tidyverse/stringr/issues/265

【讨论】：

【解决方案2】：

没有正则表达式并保持tidyverse 样式的替代方法是使用tidyr::separate()。请注意，默认情况下这会删除输入列（remove=FALSE 以防止它）。

## using your example data
df = data.frame( id = I(c("abcd_123_ABC","abc_5234_NHYK")), x = c(1.0,2.0) )

## separate knowing you will have three components
df %>% separate(id, c("first", "second", "new_id"), sep = "_") %>% select(-first, -second)
## returns
  new_id x
1    ABC 1
2   NHYK 2

【讨论】：

【解决方案3】：

使用dplyr::rowwise:

df %>% dplyr::rowwise() %>% dplyr::mutate(new_id = strsplit(id, split="_")[[1]][3])

这里讨论了其他替代方案：

http://www.expressivecode.org/2014/12/17/mutating-using-functions-in-dplyr/

【讨论】：

请注意，这将比典型的 dplyr 慢，因为它无法从矢量化操作中受益。不过，+1 小费。

【解决方案4】：

你可以使用stringr::str_extract:

library(stringr)

 df %>%
   dplyr::mutate(new_id = str_extract(id, "[^_]+$"))


#>              id x new_id
#> 1  abcd_123_ABC 1    ABC
#> 2 abc_5234_NHYK 2   NHYK

正则表达式表示，匹配一个或多个（+）不是_（否定[^ ]）的字符，然后是字符串结尾（$ )。

【讨论】：

【解决方案5】：

这是一种使用strsplit 的通用方式来完成您正在寻找的事情。

library(dplyr)
df = data.frame( id = I(c("abcd_123_ABC","abc_5234_NHYK")), x = c(1.0,2.0) )

temp <- seq(from=3, by=3, length.out = length(df))
dfn <- df %>% dplyr::mutate(new_id = unlist(strsplit(id, split="_"))[temp])

> dfn
             id x new_id
1  abcd_123_ABC 1    ABC
2 abc_5234_NHYK 2   NHYK

【讨论】：