使用正则表达式拆分字符串并将其存储到数据框中答案

【问题标题】：Split string using regular expressions and store it into data frame使用正则表达式拆分字符串并将其存储到数据框中
【发布时间】：2014-11-20 22:20:12
【问题描述】：

我有一个这样的字符串：

Received @ 10/10/2014 02:29:55 a.m.  Changed status: 'processing' @ 10/10/2014 02:40:20 a.m.  Changed status: 'processed' @ 10/10/2014 02:40:24 a.m.

我需要使用某些规则来“解析”这个字符串：

第一个块是Received 日期和时间
第一个块之后的每个块都以 Changed status: 开头并以日期和时间结束
可以有任意数量的 Changed status: 块（至少 1 个）并且状态可能会有所不同

我需要做的是：

拆分字符串并将每个块放入一个数组中。
示例：

[Received @ 10/10/2014 02:29:55 a.m.], [Changed status: 'processing' @ 10/10/2014 02:40:20 a.m.], [Changed status: 'processed' @ 10/10/2014 02:40:24 a.m.]
每个块拆分后，我需要将每个条目拆分为三个字段

对于上面的例子，我需要的是这样的：

Received       | NULL       | 10/10/2014 02:29:55 am
Changed status | processing | 10/10/2014 02:40:20 am
Changed status | processed  | 10/10/2014 02:40:20 am

我认为第二步很容易（每个块都可以使用@ 和: 作为分隔符进行拆分），但第一步让我不得不扯掉头发。有没有办法用正则表达式做这种事情？

我尝试了一些方法（例如Received|Changed.*[ap].m.），但它不起作用（正则表达式的求值总是返回完整的字符串）。

我想在 R 中这样做：

将完整的数据表（字段较多，上面的文字是最后一个）读入数据框
“解析”此字符串并将其存储到第二个数据帧中

R 内置了对正则表达式的支持，所以这是我在接近解决方案时的第一个想法。

任何帮助将不胜感激。老实说，我在这里迷路了（但我会继续尝试......如果我找到让我更接近解决方案的步骤，我会编辑我的帖子）

【问题讨论】：

你打算用什么语言评估这个？
@DaaaahWhoosh 我计划在 R 中执行此操作（已经在帖子中...和标签中说过）。但我可以使用任何其他支持 RegEx 的语言（例如awk）。我想直接在 R 中执行此操作，因为如果我使用其他实用程序执行此操作，无论如何我都必须将结果导入 R
接收和更改的状态选项卡是否分隔？其他所有内容都用单个空格分隔？
@rawr 不幸的是，所有内容仅由空格分隔:(

标签： regex r string

【解决方案1】：

您可以将其放入函数中。在您发布的字符串中，重要信息似乎用两个空格分隔，这很好。基本上我所做的就是尝试让所有相关的行平均分成合适的长度。

x <- "Received @ 10/10/2014 02:29:55 a.m.  Changed status: 'processing' @ 10/10/2014 02:40:20 a.m.  Changed status: 'processed' @ 10/10/2014 02:40:24 a.m."

s <- strsplit(gsub("['.]", "", x), "  ")[[1]]
s[g] <- sub("(\\D) ", "\\1:  ", s[g <- grep("Received", s)])
do.call(rbind, strsplit(s, " @ |: "))
#      [,1]             [,2]         [,3]                      
# [1,] "Received"       ""           "10/10/2014 02:29:55 am"
# [2,] "Changed status" "processing" "10/10/2014 02:40:20 am"
# [3,] "Changed status" "processed"  "10/10/2014 02:40:24 am"

我没有"NULL"，因为我猜你的意思是你想要一个空字符。 NULL 无论如何都不会出现在数据框中。

【讨论】：

这让我更接近解决方案:)
诀窍是在拆分之前摆脱所有不重要的东西

【解决方案2】：

这是基于strapplyc 的简短解决方案。 strapplyc 将正则表达式匹配到输入字符串 s 将匹配项提取到正则表达式的括号部分，(?:...) 除外，它是非捕获的。

pat 中有 3 对括号。第一个匹配 Recieved 或 Changed 状态。然后我们可选地匹配一个冒号、空格、单引号、零个或多个非单引号字符和另一个引号。两个引号之间的部分是第二个捕获的字符串。然后我们匹配空格、@、空格和日期/时间字符串。捕获日期/时间字符串。

最后使用matrix将其重塑为3列：

library(gsubfn)

pat <- "(Received|Changed status)(?:: '([^']*)')? @ (../../.... ..:..:.. ....)"
matrix(strapplyc(s, pat, simplify = TRUE), nc = 3, byrow = TRUE)

给予：

     [,1]             [,2]         [,3]                      
[1,] "Received"       ""           "10/10/2014 02:29:55 a.m."
[2,] "Changed status" "processing" "10/10/2014 02:40:20 a.m."
[3,] "Changed status" "processed"  "10/10/2014 02:40:24 a.m."

更新：简化。还将输出修改为有问题。

【讨论】：

【解决方案3】：

tmp <- "Received @ 10/10/2014 02:29:55 a.m.  Changed status: 'processing' @ 10/10/2014 02:40:20 a.m.  Changed status: 'processed' @ 10/10/2014 02:40:24 a.m."


tmp1 <- strsplit(gsub('Received', 'Received:', tmp), '\\s{2}', perl = TRUE)

do.call(rbind, strsplit(tmp1[[1]], '@ |: '))

#                 [,1]             [,2]            [,3]                      
# [1,] "Received"       ""              "10/10/2014 02:29:55 a.m."
# [2,] "Changed status" "'processing' " "10/10/2014 02:40:20 a.m."
# [3,] "Changed status" "'processed' "  "10/10/2014 02:40:24 a.m."

【讨论】：

【解决方案4】：

我假设您已将数据保存在 data.frame 中，并且您希望在数据框中的许多行上执行此操作。我将那个 data.frame 称为“数据”，这就是我要做的，尽管也许其他人可以让它更优雅：

 Split <- str_split(Data$String, "@") # Make a list with your string split by "@"

 Data$Received <- NA
 Data$Processing <- NA
 Data$Processed <- NA

 for (i in 1:nrow(Data)){
       Data$Received[i] <- str_sub(Split[[i]][2], 2, 24) # Extract the date received, etc.
       Data$Processing[i] <- str_sub(Split[[i]][3], 2, 24)
       Data$Processed[i] <- str_sub(Split[[i]][4], 2, 24)
 }

 Data$Received <- mdy_hms(Data$Received) # Use lubridate to convert it to POSIX format
 Data$Processing <- mdy_hms(Data$Processing)
 Data$Processed <- mdy_hms(Data$Processed)

这为您提供了三列您想要的日期和时间。

【讨论】：