在 data.frame 列上拆分数据

Question

我目前正在开展一个项目，我正在尝试计算各种数据，但是，我正在使用的 CSV 文件在列中有异常。它包含格式为“%d/%m/%y”的日期，后跟一个字符串。

这在整个列中重复（列是无标题的，以防万一），我目前试图实现的是将整个列中的日期替换为只保留剩余的字符串。

我目前的做法是使用 gsub 函数，如下所示：

gsub(".[/]|[/]|[[:digit:]].", " ", dataset column)

这似乎最初可以工作，但是在运行 head 命令时，它似乎仅将其应用于前 6-7 个字段，其余字段显示为 NA 值。

如果我正在处理包含 3000 多个条目的列，或者实现此目的的代码背后的逻辑有问题，那么 GSub 函数是否有任何限制。

这里是用于代码的示例数据：

structure(list(V1 = c("3/3/2005Mitsubishi", "3/4/2006Jaguar", 
"13/2/2007Land Rover", "12/12/2009Ferrari", "4/4/2008Jeep", "3/3/2005Honda"
), V2 = c("Mitsubish", "Jaguar", "Land Rover", "Ferrari", "Jeep", 
"Honda")), row.names = c(NA, 6L), class = "data.frame")

Answer 1

如果您想保留所有三列。请记住，我们定义了两个捕获组，一个捕获日期，另一个捕获其余组。因此，在tidyr::extract 的regex 参数中，我们定义了如何根据我们定义的捕获组来分隔字符串并放入尽可能多的列中：

library(tidyr)

df %>%
  extract(V1, c("V1", "V3"), "(\\d+\\/\\d+\\/\\d+)(.*)")

          V1         V3         V2
1   3/3/2005 Mitsubishi  Mitsubish
2   3/4/2006     Jaguar     Jaguar
3  13/2/2007 Land Rover Land Rover
4 12/12/2009    Ferrari    Ferrari
5   4/4/2008       Jeep       Jeep
6   3/3/2005      Honda      Honda

如果您想分隔多列，一种方法是编写自定义函数并使用数据字符串组合应用于每一列：

library(rlang)

fn <- function(...) {
  dots <- dots_list(...)
  extract(..., into = sprintf("%s_col_%d", dots[[2]], 1:2), regex = "(\\d+\\/\\d+\\/\\d+)(.*)")
}

# Now imagine we have a data set called df2 which has two columns we 
# would like to separate

df %>%
  mutate(V3 = V1) %>%
  select(V1, V3) -> df2

                   V1                  V3
1  3/3/2005Mitsubishi  3/3/2005Mitsubishi
2      3/4/2006Jaguar      3/4/2006Jaguar
3 13/2/2007Land Rover 13/2/2007Land Rover
4   12/12/2009Ferrari   12/12/2009Ferrari
5        4/4/2008Jeep        4/4/2008Jeep
6       3/3/2005Honda       3/3/2005Honda

然后我们将它应用于我们的数据集，只选择我们想要分离的列：

# Instead of `names(df2)` you can choose a character vector containing the
# name of the columns you would like to separate

library(purrr)
names(df2) %>%
  reduce(~ fn(.x, .y), .init = df2)

    V1_col_1   V1_col_2   V3_col_1   V3_col_2
1   3/3/2005 Mitsubishi   3/3/2005 Mitsubishi
2   3/4/2006     Jaguar   3/4/2006     Jaguar
3  13/2/2007 Land Rover  13/2/2007 Land Rover
4 12/12/2009    Ferrari 12/12/2009    Ferrari
5   4/4/2008       Jeep   4/4/2008       Jeep
6   3/3/2005      Honda   3/3/2005      Honda

我发现 post 对此解决方案非常有帮助。

Answer 2

strsplit 在（模拟的）后视。

r <- data.frame(do.call(rbind, 
                        strsplit(dat[, 1], '\\d{4}\\K', perl=TRUE)), dat[-1])
r[, 1] <- as.Date(r[, 1], '%D')  ## transform the date
r
#           X1         X2         V2
# 1 2003-03-20 Mitsubishi  Mitsubish
# 2 2003-04-20     Jaguar     Jaguar
# 3 2013-02-20 Land Rover Land Rover
# 4 2012-12-20    Ferrari    Ferrari
# 5 2004-04-20       Jeep       Jeep
# 6 2003-03-20      Honda      Honda

This answer 很好地解释了\K。

编辑

如果您不需要日期，或者省略“转换日期”步骤，然后执行r <- r[-1]。

---

数据：

dat <- structure(list(V1 = c("3/3/2005Mitsubishi", "3/4/2006Jaguar", 
"13/2/2007Land Rover", "12/12/2009Ferrari", "4/4/2008Jeep", "3/3/2005Honda"
), V2 = c("Mitsubish", "Jaguar", "Land Rover", "Ferrari", "Jeep", 
"Honda")), row.names = c(NA, 6L), class = "data.frame")