使用字符串 r 标记特定模式答案

【问题标题】：flag specific pattern using string r使用字符串 r 标记特定模式
【发布时间】：2019-11-12 04:41:09
【问题描述】：

我正在处理一个需要标记所有以“C13.xxx”开头的特定代码的数据集。列中还有其他树代码，所有树代码分隔如下：“C13.xxx|B12.xxx” - 所有树代码中都有句点。但是数据集还有其他变量导致我的字符串 r 函数标记不是树代码的字符。示例：

library(tidyverse)

# test data
test <- tribble(
  ~id, ~treecode, ~contains_c13_xxx,
  #--|--|----
  1, "B12.123|C13.234.432|A11.123", "yes",
  2, "C12.123|C13039|", "no"
)

# what I tried 
test  %>% mutate(contains_C13_error = ifelse(str_detect(treecode, "C13."), 1, 0))

# code above is flagging both id's as containing C13.xxx

在 id 2 中，有一个以 C13 开头的变量，但它不是树代码（所有树代码都有句点）。 contains_c13_xxx 变量是我希望代码生成的。在字符串检测函数中，我指定了句点，所以我不确定这里出了什么问题。

【问题讨论】：

标签： r text tidyverse stringr

【解决方案1】：

棘手的部分是同一列中有多个树代码，带有分隔符，很难标记。我们可以将每个treecode 放入单独的行中，然后检查我们需要的代码。使用来自tidyr 的separate_rows。

library(dplyr)

test %>%
  tidyr::separate_rows(treecode, sep = "\\|") %>%
  group_by(id) %>%
  summarise(contains_C13_error = any(startsWith(treecode, "C13.")),
            treecode = paste(treecode, collapse = "|"))

# A tibble: 2 x 3
#     id contains_C13_error treecode                   
#  <dbl> <lgl>              <chr>                      
#1     1 TRUE               B12.123|C13.234.432|A11.123
#2     2 FALSE              C12.123|C13039|

这是假设可能存在不带点的模式“C13”的代码。如果treecode 总是有"C13" 后跟一个点，那么只需在正则表达式中转义点就可以了。

【讨论】：

【解决方案2】：

基础 R 解决方案：

# Split on the | delim: 

split_treecode <- strsplit(df$treecode, "[|]")

# Roll out the ids the number of times of each relevant treecode: 

rolled_out_df <- data.frame(id = rep(df$id, sapply(split_treecode, length)), tc = unlist(split_treecode))

# Test whether or not string contains "C13" 

rolled_out_df$contains_c13_xxx <- grepl("C13.", rolled_out_df$tc, fixed = T)

# Does the id have an element containing "C13" ? 

rolled_out_df$contains_c13_xxx <- ifelse(ave(rolled_out_df$contains_c13_xxx,

                                             rolled_out_df$id,

                                             FUN  = function(x){as.logical(sum(x))}), "yes", "no")

# Build back orignal df: 

df <- merge(df[,c("id", "treecode")], unique(rolled_out_df[,c("id", "contains_c13_xxx")]), by = "id")

数据：

df <- 
  structure(
  list(
    id = c(1, 2),
    treecode = c("B12.123|C13.234.432|A11.123",
                 "C12.123|C13039|"),
    contains_c13_xxx = c("yes", "no")
  ),
  row.names = c(NA,-2L),
  class = "data.frame"
)

【讨论】：