如何从数据框中提取最后一个值并删除数字？答案

【问题标题】：how to extract last values from dataframe and remove numbers?如何从数据框中提取最后一个值并删除数字？
【发布时间】：2018-07-31 22:47:54
【问题描述】：

所以我想要这个数据框/字符串/向量

 x<-c("WB (16)","CT (14)WB (15)","NBIO (15)","CT (12)CITG-TP (17)","BK (11)PS (15)BK-AR (15)")

看起来像这样

 x<-
    WB
    WB
    NBIO
    CITG-TP
    BK-AR

所以我想提取最后一个或唯一的值（这是一个单词和它的年份，所以例如 WB(15) 是一个值），然后删除带有括号的年份。我尝试使用sub(".*?)", "", x) 执行此操作，但是当只有一个条目时，它也会清除它，如下所示：

c( "", "WB (15)" , "" , "CITG-TP (17)","PS (15)BK-AR (15)")

我该怎么做？

【问题讨论】：

发布一个可重现的例子；您发布的不是 data.frame。
这样好吗？
检查示例中的逗号

标签： r regex dataframe substring gsub

【解决方案1】：

这将删除引号之间的数字，并选择每个字符串中的最后一个代码。我正在使用管道 (%>%) 让代码更干净。

library(magrittr)  # pipe operators
newx <- 
  x %>% 
  gsub('[[:blank:]]\\([[:digit:]]*\\)', ';', .) %>%  # change all " (NN)" to ";"
  strsplit(split = ';') %>%                          # split the strings into a list
  lapply(rev) %>%                                    # revert the order
  lapply('[[', 1) %>%                                # select first element
  unlist()                                           # change back to vector

> newx
[1] "WB"      "WB"      "NBIO"    "CITG-TP" "BK-AR"

【讨论】：

不，这不是我的意思，因为某些 valies 必须被排除在外，例如 [2]，即 "CT (14)WB (15)" -> "WB" 所以 CT 应该消失
抱歉，我以为您输入的示例有误。我更新了答案以使用任何代码和任何重复次数。

【解决方案2】：

 sub(".*?([^)]+)\\s\\(\\d+\\)$","\\1",x)
[1] "WB"      "WB"      "NBIO"    "CITG-TP" "BK-AR"

【讨论】：

【解决方案3】：

我强烈怀疑这是最有效的正则表达式，但这会为您提供您正在寻找的确切输出：

library(stringr)
str_replace_all(x, "CT\\s\\(\\d+\\)|BK\\s\\(\\d+\\)|PS\\s\\(\\d+\\)|\\s\\(\\d+\\)","")
[1] "WB"      "WB"      "NBIO"    "CITG-TP" "BK-AR"

我玩过的还有一些，这看起来也可以。

str_replace_all(x, "\\s\\(\\d+\\)|CT|PS|BK(?=\\s)","")
[1] "WB"      "WB"      "NBIO"    "CITG-TP" "BK-AR"

这是一个更通用的方法

strReverse <- function(x){
    sapply(lapply(strsplit(x, NULL), rev), paste, collapse="")
}

strReverse(str_extract(strReverse(x),"(?<=\\(\\s).*?(?=(\\)|$))"))
[1] "WB"      "WB"      "NBIO"    "CITG-TP" "BK-AR"

我可能有一些方法可以选择模式的最后一次出现，但我遇到了一些麻烦，所以我定义了一个函数来反转字符串并获取模式的第一次出现，然后我们只是把字符串以正确的顺序排列。

【讨论】：

它适用于示例，但是我得到了更多不同类型的值，例如BK (07) 和CT (09)，因此它们仍然转换为""。你能把它说得更笼统吗？
让我看看我能做什么。我有另一个想法。