使用data.table，在某些字符之间返回一个新列

Question

我觉得这可能是一个简单的问题，但我已经通过 SO 搜索了一段时间，发现了许多有趣的相关 Q/A，我仍然很难过。

这是我需要学习的内容（老实说，我正在玩 kaggle Titanic 数据集，但我想使用 data.table）...

假设您有以下 data.table：

dt <- data.table(name=c("Johnston, Mr. Bob", "Stone, Mrs. Mary", "Hasberg, Mr. Jason"))

我希望我的输出只是标题“先生”、“夫人”和“先生”。 -- 哎呀，我们也可以省略句号。

我一直在玩（整晚），发现使用正则表达式可能会得到答案，但我只能让它在单个字符串上工作，而不是在整个 data.table 上工作。

例如，

substr(dt$name[1], gregexpr(",.", dt$name[1]), gregexpr("[.]", dt$name[1]))

返回：

[1] ", Mr."

这很酷，我可以做一些进一步的处理来摆脱“，”和“。”，但是，我的乐观主义者（/优化器）觉得这很丑陋、粗暴和低效。

此外，即使我想解决这个问题，（承认我很痛苦）我不知道如何将它应用到 data.table 的 J....

那么，如何在 dt 中添加一个名为“Title”的列，其中包含：

[1] "Mr"
[2] "Mrs"
[3] "Mr"

我坚信，如果我能够使用正则表达式在 data.table 中选择和提取数据，我可能会每天使用 100 次。所以提前感谢你帮助我找出这个关键技术。

PS。我是 excel 难民，在 excel 中我会这样做：

=mid(data, find(", ", data), find(".", data))

Answer 1

嗯..我可能已经想通了：

dt[, Title:=sub(".*?, (.*?)[.].*", "\\1", name)]

但我将把它留在这里以防其他人需要帮助，或者也许有更好的方法！

Answer 2

您可以使用stringr 包

library(stringr)
str_extract(dt$name, "M.+\\.")

[1] "Mr."  "Mrs." "Mr." 

正则表达式的不同变体可让您提取您可能感兴趣的其他头衔，例如 Dr.、Master 或 Reverend。

获取 "," 和 "." 之间的所有字符（含）你可以使用

str_extract(dt$name, ",.+\\.")

然后使用str_sub 删除结果的第一个和最后一个字符（也来自 stringr 包）。

但当我想得更多时，我可能会使用grepl 为泰坦尼克号数据集中的所有不同标题创建指标变量。例如

dr_ind <- grepl("Dr|Doctor", dt$name)
titled_ind <- grepl("Count|Countess|Baron", dt$name)

等等