使用 R 将大型文本文件构造成数据框

Question

我有一个大约 20 页的文本文件，大约有 200 个段落。每段包含三行描述这样一个人的信息：

Name: John
Age: 26
Phone number: 123421

Name: Mary
Age: 80
Phone number: NA

...

现在我希望将这个大文件转换为一个数据框，其中的列代表三个变量名称、年龄和电话号码，其中的行对应于人员。

Name      Age      Phone number
John      26       123421
Mary      80       NA
...       ...      ...

如何将大文本文件转换成这样的数据框？

Answer 1

不漂亮，但这里有一个正则表达式选项，可能会根据数据的读取方式起作用，

test<-
"Name: John
Age: 26
Phone number: 123421

Name: Mary
Age: 80
Phone number: NA
"

这被读作：

[1] "Name: John\nAge: 26\nPhone number: 123421\n\nName: Mary\nAge: 80\nPhone number: NA\n"

现在使用正则表达式获取所有匹配项，始终捕获 NA 以确保相同的行数：

Names<-regmatches(test, gregexpr("(?<=Name: )[a-zA-Z]+", test, perl=TRUE))

Numbers<-regmatches(test, gregexpr("(?<=Phone number: )[a-zA-Z0-9]+", test, perl=TRUE))

Age<-regmatches(test, gregexpr("(?<=Age: )[a-zA-Z0-9]+", test, perl=TRUE))

df<-data.frame(Names,Numbers,Age)
names(df)<-c("Name","Number","Age")

> df
  Name Number Age
1 John 123421  26
2 Mary     NA  80

如果使用read.csv 读入此方法，以下是如何格式化数据

test<-read.csv(text=test, header=F, stringsAsFactors=FALSE)
test<-list(test$V1)
test<-paste(unlist(test), collapse =" ")
>test
[1] "Name: John Age: 26 Phone number: 123421 Name: Mary Age: 80 Phone number: NA"

如果您有姓氏，我们的 Names 参数的正则表达式也需要更改：

(?<=Name: ).+?(?=Age)

Answer 2

base R 中的read.dcf() 是为读取此类数据而构建的：

read.dcf(textConnection(test), all = TRUE)

  Name Age Phone number
1 John  26       123421
2 Mary  80           NA

可以在help("read.dcf") 找到 DCF（“Debian 控制文件”）格式的简要说明。

数据

test <-
"Name: John
Age: 26
Phone number: 123421

Name: Mary
Age: 80
Phone number: NA
"