按R中的最后两个字符拆分字符串？（/负字符串索引）答案

【问题标题】：Split string by last two characters in R? (/negative string indices)按R中的最后两个字符拆分字符串？（/负字符串索引）
【发布时间】：2016-10-01 21:09:14
【问题描述】：

我的数据框看起来像：

b <- data.frame(height = c(190,165,174,176), name = c('John Smith 34','Mr.Turner 54', 'Antonio P. 23', 'John Brown 31'))

#   height          name
# 1    190 John Smith 34
# 2    165  Mr.Turner 54
# 3    174 Antonio P. 23
# 4    176 John Brown 31

我们可以看到 name 和 age 是相同的值。所以我想用字符串中的最后两个字符来分割它：

  height       name age
1    190 John Smith  34
2    165  Mr.Turner  54
3    174 Antonio P.  23
4    176 John Brown  31

我该怎么做？

【问题讨论】：

我会在最后一个空格上分开，因为年龄有时可以是三位数。见stackoverflow.com/questions/19959697/…
library(tidyr) ; b %>% separate(name, into = c('name', 'age'), sep = -3, convert = TRUE)
或 b <- cbind(b[-2], setNames(as.data.frame(do.call(rbind, strsplit(as.character(b$name), '.(?=..$)', perl = T)), stringsAsFactors = FALSE), c('name', 'age'))) ; b$age <- type.convert(b$age)，但这需要更多的努力。
@alistaire，非常感谢！
cbind(b[1], read.csv(text = gsub(' (..)$', ',\\1', b$name), header = FALSE))

标签： r dataframe split

【解决方案1】：

tidyr::separate 允许您传递拆分位置的整数索引，包括从字符串末尾开始的负索引，从而使分隔列变得简单。（当然，Regex 也可以。）

library(tidyr)

b %>% separate(name, into = c('name', 'age'), sep = -4, convert = TRUE)
##   height        name age
## 1    190 John Smith   34
## 2    165  Mr.Turner   54
## 3    174 Antonio P.   23
## 4    176 John Brown   31

或用最后一个空格分隔：

b %>% separate(name, into = c('name', 'age'), sep = '\\s(?=\\S*?$)', convert = TRUE)

返回相同的东西。

在基础 R 中，这需要更多的工作：

b$name <- as.character(b$name)
split_name <- strsplit(b$name, '\\s(?=\\S*?$)', perl = TRUE)
split_name <- do.call(rbind, split_name)
colnames(split_name) <- c('name', 'age')
b <- data.frame(b[-2], split_name, stringsAsFactors = FALSE)
b$age <- type.convert(b$age)

b
##   height       name age
## 1    190 John Smith  34
## 2    165  Mr.Turner  54
## 3    174 Antonio P.  23
## 4    176 John Brown  31

【讨论】：

有没有一种方法可以为单个观察做到这一点？实际上，我有一列包含不同货币的薪水，即 ₹、$、£ 和 AFN。我无法分隔具有 AFN 的行。在“A”分离后，它现在变成了“FN”。任何想法如何做到这一点。
@classy_BLINK 您需要获得的复杂程度取决于它需要处理的数据中可能存在的内容；任何解决方案都包含假设。处理很多事情的一种方法可能看起来像x <- c('$120', '£ 100', 'AFN1,000'); strsplit(x, split = '(?<=[^\\d,])\\s*(?=[\\d,]+)', perl = TRUE)；更简单的方法是cur <- gsub('\\d|,|\\s', '', x); amt <- as.numeric(gsub('\\D', '', x))。

【解决方案2】：

这里有许多选项使用正则表达式。我会使用substr，因为您想确切地知道要提取的字符数。

在data.table 内（用于语法糖）：

library(data.table)
setDT(b)[,c("name","age"):=list(
  substr(name,1,nchar(name)-3),
  substr(name,nchar(name)-2,nchar(name)))]

   height       name age
1:    190 John Smith  34
2:    165  Mr.Turner  54
3:    174 Antonio P.  23
4:    176 John Brown  31

注意 name 应该是 character ：

  b <- data.frame(
  height = c(190,165,174,176), 
  name = c('John Smith 34','Mr.Turner 54', 'Antonio P. 23', 'John Brown 31'),
  stringsAsFactors = FALSE)

【讨论】：

【解决方案3】：

就个人而言，我认为以下正则表达式最有用。

library (stringr)
b $age <- str_extract (b$name, "\\d{1,3}$")
b $name <- str_replace (b $name,  "\\d{1,3}$", "")

这会在字符串末尾查找长度为 1-3 个字符的数字序列。可能有一种方法可以将其合并到 separate 语法中，但我是用手机写的，无法探索。

这个正则表达式的优点是它可以处理单数、双数和三位数的年龄，而不必依赖于存在的空格，也不必从字符串的末尾倒数。

【讨论】：

【解决方案4】：

使用基础 R（与@agstudy 的答案中使用的数据相同）：

data.frame(t(apply(b,1,function(x) {s <- unlist(strsplit(trimws(x[2]), " "));
           c(x[1],paste0(head(s,-1),collapse=" "),tail(s,1)) })))

   # X1         X2 X3
# 1 190 John Smith 34
# 2 165  Mr.Turner 54
# 3 174 Antonio P. 23
# 4 176 John Brown 31

为了安全起见，我们将修剪 name 列按空格（即strsplit(trimws(x[2]), " ")）并将最后一部分（即tail(s,1)）作为age 和休息（即head(s,-1)）作为名称。

【讨论】：

【解决方案5】：

我们可以使用sub创建一个分隔符（,）而不是年龄之前的空格，使用read.table和cbind读取它，第一列使用base R

cbind(b[1],read.table(text=sub("\\s+(\\d+)$", ", \\1", b$name), 
                 col.names = c("name", "age"), header=FALSE, sep=","))
#  height       name age
#1    190 John Smith  34
#2    165  Mr.Turner  54
#3    174 Antonio P.  23
#4    176 John Brown  31

或者使用来自tidyr的extract

library(tidyr)
extract(b, name, into = c("name", "age"), "(.*)\\s+(\\S+)$")
#  height       name age
#1    190 John Smith  34
#2    165  Mr.Turner  54
#3    174 Antonio P.  23
#4    176 John Brown  31

【讨论】：