如何在R中将字符串字段分隔为两个不同的数字列

Question

我有一个数据框，其中有一个文本字段，用于记录一个人在城市中停留的时间。它的格式为y year(s) m month(s)，其中y 和m 为数字。如果此人在城市居住不到一年，则该值将仅采用 m months 格式

我想将此列转换为两个单独的数字列，其中一个显示生活的年数，另一个显示生活的月份。

这是我的数据框示例：

df <- structure(list(Time.in.current.role = c("1 year 1 month", "11 
months", 
"3 years 11 months", "1 year 1 month", "8 months"), City = 
c("Philadelphia", 
"Seattle", "Washington D.C.", "Ashburn", "Cork, Ireland")), .Names = 
c("Time.in.current.role", 
"City"), row.names = c(NA, 5L), class = "data.frame")

我想要的数据框看起来像：

result <- structure(list(Year = c(1, 0, 3, 1, 0), Month = c(1, 11, 
11, 
1, 8), City = structure(c(3L, 4L, 5L, 1L, 2L), .Label = c("Ashburn", 
"Cork, Ireland", "Philadelphia", "Seattle", "Washington D.C."
), class = "factor")), .Names = c("Year", "Month", "City"), row.names 
= c(NA, 
-5L), class = "data.frame")

我正在考虑使用 grep 来定位哪些行中包含子字符串“year”，哪些行中包含子字符串“month”。但在那之后，我在尝试获取与“年”或“月”适当关联的数字时遇到了麻烦。

* 编辑 * 在我原来的帖子中，我忘了说明可能只有y year(s) 的情况。这是新的原始数据框和所需的数据框：

df <- structure(list(Time.in.current.role = c("1 year 1 month", "11 
months", 
"3 years 11 months", "1 year 1 month", "8 months", "2 years"), 
City = c("Philadelphia", "Seattle", "Washington D.C.", "Ashburn", 
"Cork, Ireland", "Washington D.C.")), .Names = 
c("Time.in.current.role", 
"City"), row.names = c(1L, 2L, 3L, 4L, 5L, 18L), class = 
"data.frame")

result <- structure(list(Year = c(1, 0, 3, 1, 0, 2), Month = c(1, 11, 
11, 
1, 8, 0), City = structure(c(3L, 4L, 5L, 1L, 2L, 5L), .Label = 
c("Ashburn", 
"Cork, Ireland", "Philadelphia", "Seattle", "Washington D.C."
), class = "factor")), .Names = c("Year", "Month", "City"), row.names 
= c(NA, 
-6L), class = "data.frame")

Answer 1

这定义了一个函数extr（另见末尾的替代定义），它将从其第一个参数中提取与第二个参数的捕获组的匹配，即与括号内正则表达式部分的匹配。然后将匹配转换为数字，或者如果找不到模式，则返回 0。

它只有 3 行代码，在处理年和月方面具有令人愉悦的对称性，不仅可以处理年和月，还可以处理年和月。它允许在 y 和 m 之前出现垃圾，例如问题中示例数据中显示的 \n。

library(gsubfn)

extr <- function(x, pat) strapply(x, pat, as.numeric, empty = 0, simplify = TRUE)
transform(df, Year = extr(Time.in.current.role, "(\\d+) +\\W*y"),
              Month = extr(Time.in.current.role, "(\\d+) +\\W*m"))

给（针对问题中定义的数据框）：

  Time.in.current.role            City Year Month
1       1 year 1 month    Philadelphia    1     1
2          11 \nmonths         Seattle    0    11
3    3 years 11 months Washington D.C.    3    11
4       1 year 1 month         Ashburn    1     1
5             8 months   Cork, Ireland    0     8

请注意strapply 默认使用 tcl 正则表达式引擎，但如果 tcltk 在您的系统上不起作用，则使用这个稍长的extr 版本，或者更好的是修复您的安装，因为 tcltk 是一个基本包，并且如果这不起作用，则您的 R 安装已损坏。

extr <- function(x, pat) {
  sapply(strapply(x, pat, as.numeric), function(x) if (is.null(x)) 0 else x)
}

Answer 2

一个快速的'n脏解决方案：

代码：

ym <- gsub("[^0-9|^ ]", "", df$Time.in.current.role)
ym <- gsub("^ | $", "", ym)
df$Year <- ifelse(
  grepl(" ", ym), 
  gsub("([0-9]+) .+", "\\1", ym), 
  0
)
df$Month <- gsub(".+ ([0-9]+)$", "\\1", ym)
df$Time.in.current.role <- NULL
df

             City Year Month
1    Philadelphia    1     1
2         Seattle    0    11
3 Washington D.C.    3    11
4         Ashburn    1     1
5   Cork, Ireland    0     8

单词：

• 首先删除不是数字或空格的所有内容
• 删除字符串开头或结尾的所有空格
• 如果字符串包含两个数字则先提取为年份，否则year = 0。
• 最后一个数字始终是月份。
• 从 data.frame 中删除原始列
• 享受

Answer 3

您可以执行以下操作：

z = regmatches(x = df$Time.in.current.role, gregexpr("\\d+", df$Time.in.current.role))
years = sapply(z, function(x){ifelse(length(x)==1, 0, x[1])})
months = sapply(z, function(x){ifelse(length(x)==1, x[1], x[2])})

这给出了：

> years
[1] "1" "0" "3" "1" "0"
> months
[1] "1"  "11" "11" "1"  "8" 

如果有或两个数字，此方法有效。如果只有一个，则假定它对应于月份。这不起作用的情况是，例如，"5 years"。

在这种情况下，您可以执行以下操作：

m = regmatches(x = df$Time.in.current.role, gregexpr("\\d+ m", df$Time.in.current.role))
y = regmatches(x = df$Time.in.current.role, gregexpr("\\d+ y", df$Time.in.current.role))
y2 = sapply(y, function(x){ifelse(length(x)==0,0,gsub("\\D+","",x))})
m2 = sapply(m, function(x){ifelse(length(x)==0,0,gsub("\\D+","",x))})

例子：

> df
  Time.in.current.role            City
1       1 year 1 month    Philadelphia
2            11 months         Seattle
3    3 years 11 months Washington D.C.
4       1 year 1 month         Ashburn
5             8 months   Cork, Ireland
6              5 years           Miami

> y2
[1] "1" "0" "3" "1" "0" "5"
> m2
[1] "1"  "11" "11" "1"  "8"  "0" 

Answer 4

另一种方法是使用包splitstackshape 将列一分为二。为此，您首先需要使用 gsub 在年份和月份之间设置分隔符，然后删除所有字符，然后使用 cSplit：

# replace delimiter year with ;
df$Time.in.current.role <- gsub("year", ";", df$Time.in.current.role)

# If no year was found add 0; at the beginning of the cell
df$Time.in.current.role[!grepl(";", df$Time.in.current.role)] <- paste0("0;", df$Time.in.current.role[!grepl(";", df$Time.in.current.role)])

# remove characters and whitespace
df$Time.in.current.role <- gsub("[[:alpha:]]|\\s+", "", df$Time.in.current.role)

# Split column by ;
df <- splitstackshape::cSplit(df, "Time.in.current.role", sep = ";")

# Rename new columns
colnames(df)[2:3] <- c("Year", "Month")

df
              City  Year  Month
1:    Philadelphia     1      1
2:         Seattle     0     11
3: Washington D.C.     3     11
4:         Ashburn     1      1
5:   Cork, Ireland     0      8