R将行分隔为由开始和结束指定的列

Question

我想将由字符串组成的数据集拆分为由 start 和 end 指定的列。

我的数据集如下所示：

>head(templines,3)
[1] "201801 1  78"
[2] "201801 2  67"
[3] "201801 1  13"

我想通过使用数据字典指定我的列来拆分它：

>dictionary
col_name col_start col_end  
year      1         4  
week      5         6  
gender    8         8  
age       11        12  

这样就变成了：

year    week    gender    age
2018    01      1         78
2018    01      2         67
2018    01      1         13

实际上，数据来自长期运行的调查，一些列之间的空白代表不再收集的变量。它有很多变量，所以我需要一个可以扩展的解决方案。

在tidyr::separate 中，您似乎只能通过指定要拆分的位置来拆分，而不是开始和结束位置。有没有办法使用开始/结束？

我想用read_fwf 来做这件事，但我似乎无法在我已经加载的数据集上使用它。我只能通过首先导出为 txt 然后从这个 .txt 中读取来使其工作：

write_lines(templines,"t1.txt")

read_fwf("t1.txt", 
     fwf_positions(start = dictionary$col_start,
                   end = dictionary$col_end,
                   col_names = dictionary$col_name)

是否可以在已加载的数据集上使用read_fwf？

Answer 1

直接回答您的问题：是的，可以将read_fwf 与已加载的数据一起使用。文档的相关部分是关于参数file的部分：

Either a path to a file, a connection, or literal data (either a single string or a raw vector).
...
Literal data is most useful for examples and tests. 
It must contain at least one new line to be recognised as data (instead of a path).

因此，您可以简单地折叠数据，然后使用read_fwf：

templines %>% 
  paste(collapse = "\n") %>% 
  read_fwf(., fwf_positions(start = dictionary$col_start,
                            end = dictionary$col_end,
                            col_names = dictionary$col_name))

这应该扩展到多列，并且对于多行来说很快（在我的机器上，100 万行和四列大约需要半秒）。

有一些关于解析失败的警告，但它们来自您的字典。如果您将最后一行更改为age, 11, 12，它将按预期工作。

Answer 2

substring的解决方案：

library(data.table)
x <- transpose(lapply(templines, substring, dictionary$col_start, dictionary$col_end))
setDT(x)
setnames(x, dictionary$col_name)
# > x
#    year week gender age
# 1: 2018   01      1  78
# 2: 2018   01      2  67
# 3: 2018   01      1  13

Answer 3

这个怎么样？

data.frame(year=substr(templines,1,4), 
           week=substr(templines,5,6), 
           gender=substr(templines,7,8), 
           age=substr(templines,11,13))

Answer 4

使用基础 R：

m = list(`attr<-`(dat$col_start,"match.length",dat$col_end-dat$col_start+1))

d = do.call(rbind,regmatches(x,rep(m,length(x))))

setNames(data.frame(d),dat$col_name)

  year week gender age
1 2018   01      1  78
2 2018   01      2  67
3 2018   01      1  13

使用的数据：

x = c("201801 1  78", "201801 2  67", "201801 1  13")

dat=read.table(text="col_name col_start col_end  
           year      1         4  
           week      5         6  
           gender    8         8  
           age       11        13 ",h=T)

Answer 5

我们可以使用来自tidyverse的separate

library(tidyverse)
data.frame(Col = templines) %>% 
      separate(Col, into = dictionary$col_name, sep= head(dictionary$col_end, -1))
#  year week gender  age
#1 2018   01      1   78
#2 2018   01      2   67
#3 2018   01      1   13

---

convert = TRUE 参数也可以与separate 一起使用，以将数字列作为输出

tibble(Col = templines) %>% 
   separate(Col, into = dictionary$col_name, 
       sep= head(dictionary$col_end, -1), convert = TRUE)
# A tibble: 3 x 4
#   year  week gender   age
#  <int> <int>  <int> <int>
#1  2018     1      1    78
#2  2018     1      2    67
#3  2018     1      1    13

数据

dictionary <- structure(list(col_name = c("year", "week", "gender", "age"), 
col_start = c(1L, 5L, 8L, 11L), col_end = c(4L, 6L, 8L, 13L
)), .Names = c("col_name", "col_start", "col_end"),
 class = "data.frame", row.names = c(NA, -4L))

templines <- c("201801 1  78", "201801 2  67", "201801 1  13")

Answer 6

这是一个显式函数，它似乎按照您想要的方式工作。

split_func<-function(char,ref,name,start,end){
  res<-data.table("ID" = 1:length(char))
  for(i in 1:nrow(ref)){
    res[,ref[[name]][i] := substr(x = char,start = ref[[start]][i],stop = ref[[end]][i])]
  }
  return(res)
}

我已经创建了和你一样的输入文件：

templines<-c("201801 1  78","201801 2  67","201801 1  13")
dictionary<-data.table("col_name" = c("year","week","gender","age"),"col_start" = c(1,5,8,11),
                       "col_end" = c(4,6,8,13))
#   col_name col_start col_end
#1:     year         1       4
#2:     week         5       6
#3:   gender         8       8
#4:      age        11      13

至于参数，
char - 具有要拆分的值的字符向量
ref - 参考表或字典
name - 参考中的列号包含您想要的列名的表
start - 包含起点的参考表中的列号
end - 包含停止点的参考表中的列号

如果我对这些输入使用这个函数，我会得到以下结果：

out<-split_func(char = templines,ref = dictionary,name = 1,start = 2,end = 3)

#>out
#   ID year week gender age
#1:  1 2018   01      1  78
#2:  2 2018   01      2  67
#3:  3 2018   01      1  13

我必须包含一个“ID”列来启动数据表并使这更容易。如果您想稍后删除它，您可以使用：

out[,ID := NULL]

希望这更接近您正在寻找的解决方案。