不带分隔符拆分或分隔不均匀/不相等的字符串答案

【问题标题】：Split or separate uneven/unequal strings with no delimiter不带分隔符拆分或分隔不均匀/不相等的字符串
【发布时间】：2016-10-10 10:09:20
【问题描述】：

给定数据框df：

x <- c("X1", "X2", "X3", "X4", "X5")
y <- c("00L0", "0", "00012L", "0123L0", "0D0")
df <- data.frame(x, y)

如何利用tidyr::separate 将y 字符串的每个字符放入单独的列（每个字符串位置一列）？

期望的输出：

x <- c("X1", "X2", "X3", "X4", "X5")
m1 <- c(0, 0, 0, 0, 0)
m2 <- c(0, NA, 0, 1, "D")
m3 <- c("L", NA, 0, 2, 0)
mN <- c(NA, NA, NA, NA, NA)
df <- data.frame(x, m1, m2, m3, mN)

其中 mN 理论上可以达到 m100（100 列）或更高。

【问题讨论】：

标签： r tidyr

【解决方案1】：

这是一个基本的 R 方法。

# split the strings
temp <- strsplit(df$y, split="")
# maximum length of the list items
maxL <- max(sapply(temp, length))
# contstruct data.frame with NAs as fills
temp <- data.frame(do.call(rbind, lapply(temp, function(i) c(i, rep(NA, maxL-length(i))))))

# add to df
df <- cbind(x=df[, -2], temp)

导致

        x X1   X2   X3   X4   X5   X6
1       X1  0    0    L    0 <NA> <NA>
2       X2  0 <NA> <NA> <NA> <NA> <NA>
3       X3  0    0    0    1    2    L
4       X4  0    1    2    3    L    0
5       X5  0    D    0 <NA> <NA> <NA>

我在创建 df 时使用了 stringsAFactors=FALSE：

df <- data.frame(x, y, stringsAsFactors = F)

但是，如果我不这样做，则此代码将导致 @m0h3n 指出的错误。如果没有这种替代的 data.frame 构造，则需要将 df$y 包装在 as.character 中以将变量从一个因子强制转换为一个字符：

# split the strings
temp <- strsplit(as.character(df$y), split="")

感谢@m0h3n 指出这一点。

【讨论】：

as.character(df$y) 应该给strsplit 函数，否则它会失败。
@m0h3n 鉴于上述数据，您是对的。我在data.frame 函数中使用了stringsAsFactors=FALSE，但我没有提到这一点。谢谢提醒。

【解决方案2】：

这是另一个base R 选项，我们使用gsub 在“y”列的每个字符之间创建分隔符,，然后使用read.csv 读取它

cbind(df[1],read.csv(text=gsub("(?<=.)(?=.)", ",", df$y, perl=TRUE), 
                header=FALSE,fill=TRUE, na.strings = ""))
#   x V1   V2   V3 V4   V5   V6
#1 X1  0    0    L  0 <NA> <NA>
#2 X2  0 <NA> <NA> NA <NA> <NA>
#3 X3  0    0    0  1    2    L
#4 X4  0    1    2  3    L    0
#5 X5  0    D    0 NA <NA> <NA>

或者使用tstrsplit from data.table

mxr = max(nchar(as.character(df$y)))
setDT(df)[, paste0("y", seq(mxr)) := tstrsplit(y, "")]

【讨论】：

【解决方案3】：

您可以使用 strsplit 将 y 列中的字符串拆分为单个字符：

> strsplit("00L0",c()) 
[[1]]
[1] "0" "0" "L" "0"

从您的数据框开始：

> df
   x      y
1 X1   00L0
2 X2      0
3 X3 00012L
4 X4 0123L0
5 X5    0D0

我通过以下方式解决了将这些字符放入列的问题：

首先：使用 ddply 将 y 列中的所有字符串拆分并放在单独的行中

> ddply(df, .(x), summarise, v = 1:nchar(as.character(y)), 
        y = unlist(strsplit(as.character(y),c())))
    x v y
1  X1 1 0
2  X1 2 0
3  X1 3 L
4  X1 4 0
5  X2 1 0
6  X3 1 0
7  X3 2 0
8  X3 3 0
9  X3 4 1
10 X3 5 2
11 X3 6 L
12 X4 1 0
13 X4 2 1
14 X4 3 2
15 X4 4 3
16 X4 5 L
17 X4 6 0
18 X5 1 0
19 X5 2 D
20 X5 3 0

第二种：使用reshape将x值相同的行转换成列

> reshape(ans, idvar=c("x"), timevar="v", direction="wide")
    x y.1  y.2  y.3  y.4  y.5  y.6
1  X1   0    0    L    0 <NA> <NA>
5  X2   0 <NA> <NA> <NA> <NA> <NA>
6  X3   0    0    0    1    2    L
12 X4   0    1    2    3    L    0
18 X5   0    D    0 <NA> <NA> <NA>

这可能会使问题过于复杂，但这是我让它工作的唯一方法！

【讨论】：

【解决方案4】：

这行得通。它填充空白而不是NAs，但如果您愿意，您可以更改该事后。（fill = 'right' 仅适用于在字符向量上拆分，而不是显式位置。）

maxchar = max(nchar(as.character(df$y)))
tidyr::separate(df, y, into = paste0("y", 1:maxchar), sep = 1:(maxchar - 1))

#    x y1 y2 y3 y4 y5 y6
# 1 X1  0  0  L  0         
# 2 X2  0                  
# 3 X3  0  0  0  1  2  L   
# 4 X4  0  1  2  3  L  0   
# 5 X5  0  D  0

【讨论】：