R拆分由不同数量的空格分隔的一列字符答案

【问题标题】：R splitting a column of character separated by different number of spacesR拆分由不同数量的空格分隔的一列字符
【发布时间】：2016-07-30 00:38:26
【问题描述】：

我有一个数据框，其中有一列由不同数量的空格分隔的单词组成，例如：

head(lst)
'fff fffd ddd'
'sss dd'
'de dd'
'dds sssd eew rrr'
'dsds eed'

我想要的是 2 列：第一列是第一个空格之前的部分第二列是最后一个空格之后的部分意思应该是这样的

V1       v2
'fff'   'ddd'
'sss'   'dd'
'de'    'dd'
'dds'   'rrr
'dsds'  'eed'

我能得到第一列，但第二列有问题这是我使用的代码。

  lst <- strsplit(athletes.df$V1, "\\s+")
  v1 <- sapply(lst ,`[`, 1)
  v2 <- sapply(lst, `[`, 2)

我得到的第 v2 列是第二个词。我知道这是因为我在 sapply 中放了 2 如何告诉它只取最后一个空格之后的内容？

【问题讨论】：

标签： r split

【解决方案1】：

您可以使用tail 来抓取每个向量的最后一个条目：

lst <- strsplit(athletes.df$V1, "\\s+")
v1 <- sapply(lst, head, 1) # example with head to grab first vector element
v2 <- sapply(lst, tail, 1) # example with tail to grab last vector element

或者可能是 vapply 版本，因为您知道返回类型应该是字符向量：

v2 <- vapply(lst, tail, 1, FUN.VALUE = character(1))

另一种方法是将您的 strsplit 拆分标准修改为类似这样的内容，您可以在一个空格上进行拆分，该空格可以选择后跟任何字符一次或多次，直到找到最终空格。

strsplit(df$V1, "\\s(?:.+\\s)?")
#[[1]]
#[1] "fff" "ddd"
#
#[[2]]
#[1] "sss" "dd" 
#
#[[3]]
#[1] "de" "dd"
#
#[[4]]
#[1] "dds" "rrr"
#
#[[5]]
#[1] "dsds" "eed"

正如 Sumedh 指出的，这个正则表达式可以很好地与 tidyr 的 separate 配合使用：

tidyr::separate(df, V1, c("V1", "V2"), "\\s(?:.+\\s)?")
#    V1  V2
#1  fff ddd
#2  sss  dd
#3   de  dd
#4  dds rrr
#5 dsds eed

两种基于stringi 的方法：

library(stringi)
v1 <- stri_extract_last_regex(df$V1, "\\S+")
v2 <- stri_extract_first_regex(df$V1, "\\S+")

或者

stri_extract_all_regex(df$V1, "^\\S+|\\S+$", simplify = TRUE)
# this variant explicitly checks for the spaces with lookarounds:
stri_extract_all_regex(df$V1, "^\\S+(?=\\s)|(?<=\\s)\\S+$", simplify = TRUE)

【讨论】：

正则表达式太棒了！或许你可以加tidyr::separate(df, V1, c("V1", "V2"), "\\s(?:.+\\s)?")？

【解决方案2】：

也许是这个？

lst <- strsplit(athletes.df$V1, "\\s+")
v1 <- sapply(lst ,`[`, 1)
v2 <- sapply(lst, function(x) x[length(x)])

或者

data.frame(t(sapply(strsplit(athletes.df$V1, "\\s+"), 
                    function(x) c(x[1], x[length(x)]))))

【讨论】：

【解决方案3】：

不使用任何包，这可以在使用sub 创建分隔符后使用read.table 完成。

read.table(text=sub("^(\\S+)\\s+.*\\s+(\\S+)$", "\\1 \\2", df1$V1), 
                     header=FALSE, stringsAsFactors= FALSE)
#     V1  V2
#1  fff ddd
#2  sss  dd
#3   de  dd
#4  dds rrr
#5 dsds eed

另一个方便的选项是word from stringr

library(stringr)
transform(df1, V1 = word(V1, 1), V2 = word(V1, -1))
#   V1  V2
#1  fff ddd
#2  sss  dd
#3   de  dd
#4  dds rrr
#5 dsds eed

数据

df1 <- structure(list(V1 = c("fff fffd ddd", "sss dd", "de dd",
"dds sssd eew rrr", 
"dsds eed")), .Names = "V1", class = "data.frame", row.names = c(NA, 
-5L))

【讨论】：