使用 R 解析其中键和值是数值的类字典结构答案

【问题标题】：Parse dictionary-like structure in which key and values are numeric values using R使用 R 解析其中键和值是数值的类字典结构
【发布时间】：2020-04-20 03:38:50
【问题描述】：

我正在尝试解析我在旅行中遇到的一些奇怪的数据结构。本质上它们类似于 python 或 javascript 字典，但键和值都是数字：

weird <- "{47=4578.0005, 181=23456.7831, 216=7548.2367}"

为了将其转换为表格，我尝试将其转换为更典型的字典格式并使用 jsonlite 解析它：

library(tidyverse)
library(jsonlite)
weird <- parse_json(str_replace(weird, "=", ":"))
#> Error: parse error: invalid object key (must be a string)

parse_json 函数正确地抱怨密钥不是字符串。我当然可以使用str_split 剖析所有这些，但我希望善良的灵魂可能对更优雅/紧凑的解决方案（希望完全避免使用正则表达式）有一些见解，可以将其解析成这样的表格：

tibble::tribble(
  ~ key,    ~ value,
  47,  4578.0005,
  181, 23456.7831,
  216,  7548.2367 
)
#> # A tibble: 3 x 2
#>     key  value
#>   <dbl>  <dbl>
#> 1    47  4578.
#> 2   181 23457.
#> 3   216  7548.

谢谢！

【问题讨论】：

标签： r dictionary jsonlite

【解决方案1】：

虽然您可能想要一个紧凑的非正则表达式版本，但对我来说，这似乎是最容易理解和易于理解的：

library(stringr)
library(dplyr)

weird <- "{47=4578.0005, 181=23456.7831, 216=7548.2367}"

str_remove_all(weird, "[{}]") %>% 
  str_split(", ", simplify = TRUE) %>% 
  str_split("=", simplify = TRUE) %>% 
  as_tibble() %>% 
  mutate_all(as.numeric)

#> # A tibble: 3 x 2
#>      V1     V2
#>   <dbl>  <dbl>
#> 1    47  4578.
#> 2   181 23457.
#> 3   216  7548.

^{由reprex package (v0.3.0) 于 2020-04-20 创建}

我不介意对数据进行三遍，每一步只完成一件事。我发现它更容易阅读和推理。

更新：

虽然我仍然认为上面的版本是 R 惯用的方法，但它不是 R 惯用的数据结构，所以这里有一个通过{reticulate} 使用 Python 的解决方案。这比使用 {jsonlite} 的 JSON 解析器要复杂一些，但事实证明您可以在 Python dicts 中使用数值作为键。

我们首先必须将= 转换为: ，然后字符串变为有效的字典。然后我们可以启动一个 Python 上下文，运行一个字符串将其分配给一个变量，然后将状态返回给 R。然后它只是将 R 中的列表转换为数据帧。

library(reticulate)
library(stringr)
library(glue)
library(tibble)

weird <- '{47=4578.0005, 181=23456.7831, 216=7548.2367}'

weird <- str_replace_all(weird, "=", ": ")

x <- py_run_string(
  glue("weird_dict = {weird}"), 
  convert = T
  )

x$weird_dict %>% 
  unlist() %>% 
  enframe()
#> # A tibble: 3 × 2
#>   name   value
#>   <chr>  <dbl>
#> 1 47     4578.
#> 2 181   23457.
#> 3 216    7548.

^{由reprex package (v2.0.1) 于 2021 年 10 月 21 日创建}

【讨论】：

这可能比 jsonlite 方法更健壮，当数据变为不总是数字时，假设（当然）没有嵌入/转义的逗号或等号。
我的梦想方法类似于parse(text = glue("list({weird})")，但不幸的是，R 中的列表名称也不能是裸数字。

【解决方案2】：

JSON 要求它的字典键被引用。虽然此解决方案还引用了这些值，但将as.numeric 应用于这些值应该不难（如果您确定数据集）。

library(dplyr)
library(tidyr)
gsub("=", ":", gsub("(\\b|-?)([0-9.]+)\\b", '"\\1"', weird)) %>%
  jsonlite::fromJSON(.) %>%
  enframe() %>%
  unnest(value)
# # A tibble: 3 x 2
#   name  value     
#   <chr> <chr>     
# 1 47    4578.0005 
# 2 181   23456.7831
# 3 216   7548.2367

这假定所有键和值都是完全数字的（可能是负数，也可能是十进制），但在此模式中没有科学记数法。包含它并非不可能，因此如果您需要更进一步：https://www.regular-expressions.info/floatingpoint.html、Parsing scientific notation sensibly? 和 Regex for numbers on scientific notation? 可能会有所帮助。

下一步可能很简单

gsub("=", ":", gsub("(\\b|-?)([0-9.]+)\\b", '"\\1"', weird)) %>%
  jsonlite::fromJSON(.) %>%
  enframe() %>%
  unnest(value) %>%
  mutate_all(as.numeric)
# # A tibble: 3 x 2
#    name  value
#   <dbl>  <dbl>
# 1    47  4578.
# 2   181 23457.
# 3   216  7548.

（明显的小数位丢失只是一个演示的东西，原始数据仍然有非整数值。）

【讨论】：

这个超级有用，我特别喜欢enframe这个功能，我一定会记住的小宝石！当我最初发布问题时，我立即加倍并编辑我的问题以指定我希望避免使用正则表达式。我认为您在这些编辑完成之前发布了您的答案，因此您完美地回答了我未经编辑的问题。但是，我怀疑像许多用户一样，我倾向于尽可能避免使用正则表达式，因为它的复杂性令人生畏。
好的，我明白了。布赖恩的答案是最接近没有正则表达式的，尽管str_remove_all 需要被替换。要删除{}，您需要substr，但它会盲目地这样做，而不考虑第一个/最后一个字符是什么。很好奇，您 “避免使用正则表达式” 的理由是什么？
我发现它们很难阅读，而且我经常犯一些超级可以避免的错误，这些错误需要我很长时间才能修复。它们显然是一个强大的工具，我应该更熟悉它，但鉴于为大多数常见问题设计的大量解析功能，我很少需要它们，以至于我的日常成本效益似乎很低。
我明白了，xkcd.com/1171。如果您检查stopifnot(startsWith(weird, "{"), endsWith(weird, "}"))（验证第一个/最后一个字符确实是您所期望的），然后使用substr(weird, 2, nchar(weird)-1)，您可以使用Brian 的答案afterstr_remove_all，它使用的是正则表达式。其他 str_split 调用（在 IMO 中，并不比基本 R 的 strsplit 好）使用固定模式（在正常正则表达式参数中）。

【解决方案3】：

我认为您不能完全避免使用正则表达式，但只需进行一些小的替换，read.table() 就可以轻松阅读。

wt <- c("{47=4578.0005, 181=23456.7831, 216=7548.2367}")

read.table(text = gsub("[{},]", "\n", wt), sep = "=")

   V1        V2
1  47  4578.001
2 181 23456.783
3 216  7548.237

【讨论】：