使用 R 用下划线分割文件名文本答案

【问题标题】：splitting filename text by underscores using R使用 R 用下划线分割文件名文本
【发布时间】：2014-04-22 19:47:47
【问题描述】：

在 R 中，我想采用以下格式的文件名集合，并返回第二个下划线右侧的数字（这将始终是一个数字）和第三个下划线右侧的文本字符串（这将是字母和数字的组合）。

我有这种格式的文件名：

HELP_PLEASE_4_ME

我要提取号码4和文字ME

然后我想在我的数据框中创建一个新字段，用于存储这两种类型的数据。有什么建议吗？

【问题讨论】：

试试 strsplit('HELP_PLEASE_4_ME', '_') 或等待一些正则表达式专家发布答案。

标签： r text split filenames

【解决方案1】：

这是一个使用regexec 和regmatches 提取模式的选项：

matches <- regmatches(df$a, regexec("^.*?_.*?_([0-9]+)_([[:alnum:]]+)$", df$a))
df[c("match.1", "match.2")] <- t(sapply(matches, `[`, -1)) # first result for each match is full regular expression so need to drop that.

生产：

                 a match.1 match.2
1 HELP_PLEASE_4_ME       4      ME
2  SOS_WOW_3_Y34OU       3   Y34OU

如果任何行没有预期的结构，这将中断，但我认为这是您想要发生的（即提醒您的数据不是您认为的那样）。基于strsplit 的方法需要额外检查以确保您的数据与您认为的一样。

还有数据：

df <- data.frame(a=c("HELP_PLEASE_4_ME", "SOS_WOW_3_Y34OU"), stringsAsFactors=F)

【讨论】：

【解决方案2】：

@BrodieG 的强制性 stringr 版本非常漂亮的答案：

df[c("match.1", "match.2")] <- 
  t(sapply(str_match_all(df$a, "^.*?_.*?_([0-9]+)_([[:alnum:]]+)$"), "[", 2:3))

仅用于上下文。您应该接受 BrodieG 的回答。

【讨论】：

【解决方案3】：

由于您已经知道需要第二个和第三个下划线之后的文本，您可以使用strsplit 并获取第三个和第四个结果。

> x <- "HELP_PLEASE_4_ME"
> spl <- unlist(strsplit(x, "_"))[3:4]
> data.frame(string = x, under2 = spl[1], under3 = spl[2])
##             string under2 under3
## 1 HELP_PLEASE_4_ME      4     ME

然后，对于更长的向量，您可以在此处执行最后两行之类的操作。

## set up some data
> word1 <- c("HELLO", "GOODBYE", "HI", "BYE")
> word2 <- c("ONE", "TWO", "THREE", "FOUR")
> nums <- 20:23
> word3 <- c("ME", "YOU", "THEM", "US")
> XX <-paste0(word1, "_", word2, "_", nums, "_", word3)
> XX
## [1] "HELLO_ONE_20_ME"    "GOODBYE_TWO_21_YOU" 
## [3] "HI_THREE_22_THEM"   "BYE_FOUR_23_US"    
## ------------------------------------------------
## process it
> spl <- do.call(rbind, strsplit(XX, "_"))[, 3:4]
> data.frame(cbind(XX, spl))
##                   XX V2   V3
## 1    HELLO_ONE_20_ME 20   ME
## 2 GOODBYE_TWO_21_YOU 21  YOU
## 3   HI_THREE_22_THEM 22 THEM
## 4     BYE_FOUR_23_US 23   US

【讨论】：