拆分字符串并根据模式提取以形成数据框

Question

我试图在 R 中将以下字符串分割为 3 个单独的列（国家、城市、计数）

Country    City     Count    
Japan      Tokyo    361

数据：

"country=Japan&city=Tokyo","361"
"country=Spain&city=Barcelona","359"
"country=United Kingdom&city=London","333"
"country=Japan&city=Fukuoka","259"
"country=United States of America&city=New York City","223"

我试过了：

library(data.table)
library(stringr)

df <- read.table(file.choose(), header = FALSE, sep = ",", colClasses = c('character', 'character'), na.strings = 'null')

df.1 <- data.table(str = as.character(df$V1))

df.2 <- df.1[grepl("country=.+&city=\\w+", str),
             country := str_extract(str,"(?<=country=)(.+)"),
             city := str_extract(str, "(?<=city=)(.+)")]

但是，虽然我想查看城市格式，但国家列将返回如下：

Japan&city=Tokyo

我想去掉 &city=Tokyo 位来制作漂亮的格式。

然后，我将 df 和 df.2 合并在一起，以便对齐数值。但是，我认为必须有更聪明的方法来做到这一点。

请分享你的知识。感谢您的帮助。

Answer 1

我们可以使用base Rstrsplit将'V1'列通过=和&拆分成list，循环遍历list，提取替代元素（x[c(FALSE, TRUE)]）同时用剩余的元素命名它，rbind list 元素，然后 cbind 使用原始数据集的第二列

res <- do.call(rbind, lapply(strsplit(as.character(df$V1), "[=&]"), 
             function(x) setNames(x[c(FALSE, TRUE)], x[c(TRUE, FALSE)])))
res1 <- cbind(res, setNames(df[-1], 'Count'))
res1
#                   country          city Count
#1                    Japan         Tokyo   361
#2                    Spain     Barcelona   359
#3           United Kingdom        London   333
#4                    Japan       Fukuoka   259
#5 United States of America New York City   223

---

我们也可以使用tidyverse 来做到这一点。创建一个行索引列（rownames_to_column from tibble），然后用分隔符'&'（separate_rows）拆分'V1'以重塑为'long'格式，将'V1'拆分为新列（' new1' 和 'new2') 通过将 'sep' 指定为 =，将数据集重新整形为 'wide' (spread) 并重新排列列 (select)

library(tidyverse)
rownames_to_column(df, 'rn') %>%
      separate_rows(V1, sep='[&]') %>% 
      separate(V1, into= c("new1", "new2"), sep="=")  %>% 
      spread(new1, new2) %>% 
      select(country, city, Count=V2) 
#                   country          city Count
#1                    Japan         Tokyo   361
#2                    Spain     Barcelona   359
#3           United Kingdom        London   333
#4                    Japan       Fukuoka   259
#5 United States of America New York City   223

数据

df <- structure(list(V1 = structure(c(2L, 3L, 4L, 1L, 5L), 
.Label = c("country=Japan&city=Fukuoka", 
 "country=Japan&city=Tokyo", "country=Spain&city=Barcelona", 
  "country=United Kingdom&city=London", 
"country=United States of America&city=New York City"), class = "factor"), 
V2 = c(361L, 359L, 333L, 259L, 223L)), .Names = c("V1", "V2"
), row.names = c(NA, -5L), class = "data.frame")

Answer 2

您所拥有的是有效的 URL 编码查询，因此您可以使用 httr::parse_url 对它们进行解码。两个并发症：

1. parse_url 在查询前查找 ? 以识别它，因此您必须打开 paste0 它，并且
2. parse_url 未矢量化，因此必须通过 lapply 或 purrr::map 将其应用于每个查询。

不过，大多数情况下，它的效果都很好：

library(tidyverse)

df <- read_csv('"country=Japan&city=Tokyo","361"
"country=Spain&city=Barcelona","359"
"country=United Kingdom&city=London","333"
"country=Japan&city=Fukuoka","259"
"country=United States of America&city=New York City","223"', 
               col_names = c('query', 'count'))

df %>% transmute(count, 
                 query = map(paste0('?', query), 
                             ~as_data_frame(httr::parse_url(.x)$query))) %>% 
    unnest()

#> # A tibble: 5 × 3
#>   count                  country          city
#>   <int>                    <chr>         <chr>
#> 1   361                    Japan         Tokyo
#> 2   359                    Spain     Barcelona
#> 3   333           United Kingdom        London
#> 4   259                    Japan       Fukuoka
#> 5   223 United States of America New York City

甚至只是

df %>% do(data.frame(count = .$count, 
                     query = map_df(paste0('?', .$query), 
                                    ~httr::parse_url(.x)$query)))

或使用curlconverter::parse_query或shiny::parseQueryString，不需要额外的?：

df %>% bind_cols(map_df(.$query, curlconverter::parse_query)) %>% select(-query)

所有返回相同的东西。