在数字单词模式上拆分字符串答案

【问题标题】：String split on a number word pattern在数字单词模式上拆分字符串
【发布时间】：2015-12-21 02:00:35
【问题描述】：

我有一个如下所示的数据框：

V1                        V2
peanut butter sandwich    2 slices of bread 1 tablespoon peanut butter

我的目标是：

V1                        V2
peanut butter sandwich    2 slices of bread
peanut butter sandwich    1 tablespoon peanut butter

我尝试使用strsplit(df$v2, " ") 分割字符串，但我只能使用" " 分割字符串。我不确定您是否可以仅在第一个数字处拆分字符串，然后将字符提取到下一个数字。

【问题讨论】：

标签： regex r string split strsplit

【解决方案1】：

您可以按如下方式拆分字符串：

txt <- "2 slices of bread 1 tablespoon peanut butter"

strsplit(txt, " (?=\\d)", perl=TRUE)[[1]]
#[1] "2 slices of bread"          "1 tablespoon peanut butter"

这里使用的正则表达式是寻找后跟一个数字的空格。它使用零宽度正向预测 (?=) 来表示如果空格后面跟着一个数字 (\\d)，那么它就是我们想要分割的空格类型。为什么是零宽度前瞻？这是因为我们不想将数字用作分割字符，我们只想匹配任何后面跟着数字的空格。

要使用该想法并构建您的数据框，请参阅以下示例：

item <- c("peanut butter sandwich", "onion carrot mix", "hash browns")
txt <- c("2 slices of bread 1 tablespoon peanut butter", "1 onion 3 carrots", "potato")
df <- data.frame(item, txt, stringsAsFactors=FALSE)

# thanks to Ananda for recommending setNames
split.strings <- setNames(strsplit(df$txt, " (?=\\d)", perl=TRUE), df$item) 
# alternately: 
#split.strings <- strsplit(df$txt, " (?=\\d)", perl=TRUE)
#names(split.strings) <- df$item

stack(split.strings)
#                      values                    ind
#1          2 slices of bread peanut butter sandwich
#2 1 tablespoon peanut butter peanut butter sandwich
#3                    1 onion       onion carrot mix
#4                  3 carrots       onion carrot mix
#5                     potato            hash browns

【讨论】：

简要说明 (?=) 的作用可能是值得的，因为 OP 似乎是文本操作和正则表达式的新手。
很好地使用了stack。您可以使用setNames 缩短方法。 +1
而且，对于管道痴迷者：library(dplyr); library(tidyr); df %>% mutate(txt = strsplit(txt, " (?=\\d)", perl=TRUE)) %>% unnest(txt)....
感谢 Jota 和 Ananda。我也喜欢管道添加！

【解决方案2】：

假设你正在处理类似的事情：

mydf <- data.frame(
  V1 = c("peanut butter sandwich", "peanut butter and jam sandwich"), 
  V2 = c("2 slices of bread 1 tablespoon peanut butter", 
         "2 slices of bread 1 tablespoon peanut butter 1 tablespoon jam"))  

mydf
##                               V1
## 1         peanut butter sandwich
## 2 peanut butter and jam sandwich
##                                                              V2
## 1                  2 slices of bread 1 tablespoon peanut butter
## 2 2 slices of bread 1 tablespoon peanut butter 1 tablespoon jam

您可以先在“V2”中添加一个您不希望出现的分隔符，然后使用我的“splitstackshape”中的cSplit 来获取“长”数据集格式。

library(splitstackshape)
mydf$V2 <- gsub(" (\\d+)", "|\\1", mydf$V2)
cSplit(mydf, "V2", "|", "long")
##                                V1                         V2
## 1:         peanut butter sandwich          2 slices of bread
## 2:         peanut butter sandwich 1 tablespoon peanut butter
## 3: peanut butter and jam sandwich          2 slices of bread
## 4: peanut butter and jam sandwich 1 tablespoon peanut butter
## 5: peanut butter and jam sandwich           1 tablespoon jam

以下内容不足以单独发布作为答案，因为它们是@Jota 方法的变体，但为了完整起见，我在这里分享它们：

`strsplit` 在“data.table”中

list 的拆分会自动平展为单列....

library(data.table)
as.data.table(mydf)[, list(
  V2 = unlist(strsplit(as.character(V2), '\\s(?=\\d)', perl=TRUE))), by = V1]

“dplyr”+“tidyr”

您可以使用“tidyr”中的unnest 将列表列展开为长格式....

library(dplyr)
library(tidyr)
mydf %>% 
  mutate(V2 = strsplit(as.character(V2), " (?=\\d)", perl=TRUE)) %>% 
  unnest(V2)

【讨论】：

strsplit 在“data.table”中

“dplyr”+“tidyr”

`strsplit` 在“data.table”中