R根据两个正则表达式将字符串拆分为两列答案

【问题标题】：R Split strings into two columns based on TWO regular expressionsR根据两个正则表达式将字符串拆分为两列
【发布时间】：2021-09-18 19:34:23
【问题描述】：

我有一些结构如下的数据：

ID   Region            Value
1    Europe            8
2    Europe: Class 1   6
3    Asia: System 2    6
4    North America     7
5    Europe: System 1  5
6    Africa            7
7    Africa: Class 2   5
8    South America     9
9    Europe: System 1  3
10   Europe            7

我想要做的是创建一个名为 Class 的新列，它添加了在 Region 列中提到“类”和“系统”的实例 - 如果不清楚我的意思，请查看我的预期输出如下。我知道这可以通过separate 函数来完成，但我认为您只能为代码的分隔符部分指定一个值。例如。 sep = ": Class" 只会拆分提及“类”的实例，但我也想拆分任何提及“系统”的实例。这可以在一行代码中完成，还是我需要在这里做一些更复杂的事情？这是我的最终数据的外观：

ID   Region            Class  Value
1    Europe                   8
2    Europe            1      6
3    Asia              2      6
4    North America            7
5    Europe            1      5
6    Africa                   7
7    Africa            2      5
8    South America            9
9    Europe            1      3
10   Europe                   7

请注意，我想从Region 列中删除对“类”或“系统”（包括冒号）的任何引用，并将数值添加到新的Class 列中。

【问题讨论】：

我刚刚想到的一个解决方案是首先将“:System”的所有实例替换为“:Class”。这样，我可以通过“：Class”分隔并获得所需的结果。这是最简单的解决方案吗？

标签： r regex split

【解决方案1】：

您可以通过将 strsplit 与以": System" 或": Class" 作为符号的正则表达式一起使用来使用基本函数：

splitted = strsplit(df$Region,"(: Class)|(: System)")
df$Region = lapply(splitted,FUN=function(x){x[1]})
df$Class = lapply(splitted,FUN=function(x){x[2]})

结果是：

> df
   ID        Region Value Class
1   1        Europe     8    NA
2   2        Europe     6     1
3   3          Asia     6     2
4   4 North America     7    NA
5   5        Europe     5     1
6   6        Africa     7    NA
7   7        Africa     5     2
8   8 South America     9    NA
9   9        Europe     3     1
10 10        Europe     7    NA

【讨论】：

【解决方案2】：

您可以使用str_extract 提取数字并使用str_remove 删除不需要的文本。

library(dplyr)
library(stringr)

df %>%
  mutate(Class = str_extract(Region, '(?<=(Class|System)\\s)\\d+'), 
         Region = str_remove(Region, ':\\s*(Class|System)\\s*\\d+'))

#   ID        Region Value Class
#1   1        Europe     8  <NA>
#2   2        Europe     6     1
#3   3          Asia     6     2
#4   4 North America     7  <NA>
#5   5        Europe     5     1
#6   6        Africa     7  <NA>
#7   7        Africa     5     2
#8   8 South America     9  <NA>
#9   9        Europe     3     1
#10 10        Europe     7  <NA>

str_extract 提取'Class' 之后的数字或'System'。如果这些词不存在，则返回NA。

str_remove 删除冒号，后跟零个或多个空格 (\\s*)，后跟 'Class' 或 'System' 和一个数字 (\\d+)。

数据

如果您以易于复制的可重现格式提供数据，则更容易提供帮助。

df <- structure(list(ID = 1:10, Region = c("Europe", "Europe: Class 1", 
"Asia: System 2", "North America", "Europe: System 1", "Africa", 
"Africa: Class 2", "South America", "Europe: System 1", "Europe"
), Value = c(8L, 6L, 6L, 7L, 5L, 7L, 5L, 9L, 3L, 7L)), 
class = "data.frame", row.names = c(NA, -10L))

【讨论】：

这就像一个魅力 - 非常感谢。我不是程序员，但我想了解它是如何/为什么起作用的。是不是第一行代码创建了一个名为Class 的新列，它从Region 列中提取指定的正则表达式？并且您使用了“|”符号来指定两个表达式？然后第二行代码从Region 列中删除这两个表达式。此外，适当注意以可重现的格式提供数据 - 下次会这样做！ :)
是的，我编辑了答案以包含有关代码的更多解释。