如何在 R 中使用换行符？

Question

我需要用“R”中的文本文件制作一个表格，以便对其进行统计。我的文本文件包含特殊字符，如“$”和“下一行符号”（或 Microsoft Word 中的段落 sing，等于 Microsoft Word 中的 ^p）。

我阅读了this post，但它没有回答我的问题。 例如，我的文本文件是这样的：

-The$data 1 is taken on Aug, 2009 at UBC
and is significant with p value <0.01

-The$data 2 is taken on Sep, 2012 at SFU
and is  not significant with p value > 0.06

-....

使用 gsub 进行多个查找/替换，我想制作一个这样的表：

1,Aug,2009,UBC,,p value <0.01
2,Sep,2012,SFU,not, p value > 0.06

如果您知道从文本文件中提取表格的任何包/函数，这也会很有帮助。

Answer 1

正则表达式解决方案对句子的形成非常敏感，并且由于它们具有不规则的间距，我推断它们要么是人为生成的，要么是通过不规则/不一致的过程生成的。偏离这种模式肯定会导致部分中断。

因此，我将使其尽可能具体和健壮，以便 (1) 即使未找到列也会保留，并且 (2) 不正确的句子不会破坏作品。

我假设您会使用以下内容读取数据：

dat <- readLines("path/to/file.txt")

所以对于示例数据，我将使用

dat <- strsplit("-The$data 1 is taken on Aug, 2009 at UBC
and is significant with p value <0.01

-The$data 2 is taken on Sep, 2012 at SFU
and is  not significant with p value > 0.06

-This$datum is different from the others
and is not significant", "[\n\r]")[[1]]

从这里开始，我将使用 cumsum(grepl(...)) 的技巧来查找我知道一行开始的实例，然后将以下行组合在一起。

cumsum(grepl("^-", dat))
# [1] 1 1 1 2 2 2 3 3
combined <- unlist(as.list(by(dat, cumsum(grepl("^-", dat)), paste, collapse = "\n")), use.names=FALSE)
combined
# [1] "-The$data 1 is taken on Aug, 2009 at UBC\nand is significant with p value <0.01\n"      
# [2] "-The$data 2 is taken on Sep, 2012 at SFU\nand is  not significant with p value > 0.06\n"
# [3] "-This$datum is different from the others\nand is not significant"                       

现在这些行已按逻辑分组，这里有一个冗长但（我相信）最强大的方法来解析您想要的列。 （我应该注意到，编写一个尝试捕获所有内容的单个正则表达式当然是可行的；其中的挑战是，如果您想捕获大多数存在的东西，或者如果某些东西不正确则失败。我倾向于保存什么您可以稍后确定哪个模式不足；如果您宁愿在模式的一小部分不起作用时丢弃整个记录，那么这可能会简化为单个模式。）

patterns <- c(
  "(?<=data )[0-9]+(?= is taken)",
  "(?<=taken on )\\w+(?=, 2)",
  "(?<=, )2[0-9]{3}\\b",
  "(?<= at )\\w+(?=\n)",
  "(?<=and is ).*(?=significant)",
  "(?<=significant with).*"
)

lapply(patterns, function(ptn) {
  trimws(sapply(regmatches(combined, gregexpr(ptn, combined, perl = TRUE)), `length<-`, 1))
})
# [[1]]
# [1] "1" "2" NA 
# [[2]]
# [1] "Aug" "Sep" NA   
# [[3]]
# [1] "2009" "2012" NA    
# [[4]]
# [1] "UBC" "SFU" NA   
# [[5]]
# [1] ""    "not" "not"
# [[6]]
# [1] "p value <0.01"  "p value > 0.06" NA              

可以通过以下方式轻松捕获、命名和框化该输出：

as.data.frame(setNames(
  lapply(patterns, function(ptn) {
    trimws(sapply(regmatches(combined, gregexpr(ptn, combined, perl = TRUE)), `length<-`, 1))
  }),
  c("number", "month", "year", "acronym", "not", "pvalue")),
  stringsAsFactors = FALSE)
#   number month year acronym not         pvalue
# 1      1   Aug 2009     UBC      p value <0.01
# 2      2   Sep 2012     SFU not p value > 0.06
# 3   <NA>  <NA> <NA>    <NA> not           <NA>