将字符串拆分为未知数量的新数据框列答案

【问题标题】：Splitting string into unknown number of new dataframe columns将字符串拆分为未知数量的新数据框列
【发布时间】：2015-03-11 20:25:48
【问题描述】：

我有一个数据框，其中包含一个字符列，其中包含由换行符 \n 分隔的多个字符串形式的电子邮件元数据：

  person                                                                                                                                                 myString
1   John                                                                                                            To name5@email.com by sender6 on 01-12-2014\n
2   Jane To name@email.com,name4@email.com by sender1 on 01-22-2014\nTo name3@email.com by sender2 on 02-03-2014\nTo email5@domain.com by sender1 on 06-21-2014\n
3    Tim                                                                To name2@email.com by sender2 on 05-11-2014\nTo name@email.com by sender2 on 06-03-2015\n

我想将 myString 的不同子字符串拆分成不同的列，这样它看起来像这样：

  person                                                     email1                                      email2                                        email3
1   John                To name5@email.com by sender6 on 01-12-2014                                        <NA>                                          <NA>
2   Jane To name@email.com,name4@email.com by sender1 on 01-22-2014 To name3@email.com by sender2 on 02-03-2014 To email5@domain.com by sender1 on 06-21-2014
3    Tim                To name2@email.com by sender2 on 05-11-2014  To name@email.com by sender2 on 06-03-2015                                          <NA>

我目前的方法使用 tidyr 包中的separate：

library(dplyr)
library(tidyr)
res1 <- df %>% 
    separate(col = myString, into = paste(rep("email", 3), 1:3), sep = "\\n", extra = "drop")
res1[res1 == ""] <- NA

但是使用这种方法，我必须手动指定要提取三列。

我希望通过以下一种或两种方式改进此过程：

一种自动计算分隔符的最大出现次数（即需要多少新变量）的方法
其他拆分成未知列数的方法

如果有一个好的解决方案可以以长格式而不是宽格式返回数据，那也很棒。

样本数据：

df <- structure(list(person = c("John", "Jane", "Tim"), myString = c("To name5@email.com by sender6 on 01-12-2014\n", 
    "To name@email.com,name4@email.com by sender1 on 01-22-2014\nTo name3@email.com by sender2 on 02-03-2014\nTo email5@domain.com by sender1 on 06-21-2014\n", 
    "To name2@email.com by sender2 on 05-11-2014\nTo name@email.com by sender2 on 06-03-2015\n"
    )), .Names = c("person", "myString"), row.names = c(NA, -3L), class = "data.frame")

【问题讨论】：

标签： regex r string

【解决方案1】：

我会从我的“splitstackshape”包中建议cSplit：

library(splitstackshape)
cSplit(df, "myString", "\n")
#    person                                                 myString_1
# 1:   John                To name5@email.com by sender6 on 01-12-2014
# 2:   Jane To name@email.com,name4@email.com by sender1 on 01-22-2014
# 3:    Tim                To name2@email.com by sender2 on 05-11-2014
#                                     myString_2
# 1:                                          NA
# 2: To name3@email.com by sender2 on 02-03-2014
# 3:  To name@email.com by sender2 on 06-03-2015
#                                       myString_3
# 1:                                            NA
# 2: To email5@domain.com by sender1 on 06-21-2014
# 3:                                            NA

您也可以尝试使用“stringi”包中的stri_split_fixed 参数simplify = TRUE（尽管对于您的示例数据，这会在末尾添加一个额外的空列）。该方法类似于：

library(stringi)
data.frame(person = df$person, 
           stri_split_fixed(df$myString, "\n", 
                            simplify = TRUE))

【讨论】：

这太棒了——我见过的针对这个特定问题的最直接的功能。看起来这个包里还有其他好东西。谢谢！
@SamFirke，谢谢。我希望您注意到cSplit 也有一个“方向”参数，如果您想要长格式，可以将其设置为"long"。
只是过来感谢您提供的包裹。 cSplit 是一种美丽的东西！

【解决方案2】：

看起来很老套，但是你去吧......

使用 strsplit 分割字符向量。获取最大长度，将其用于列。

df <- data.frame(
  person = c("John", "Jane", "Tim"),
  myString = c("To name5@email.com by sender6 on 01-12-2014\n",
               "To name@email.com,name4@email.com by sender1 on 01-22-2014\nTo name3@email.com by sender2 on 02-03-2014\nTo email5@domain.com by sender1 on 06-21-2014\n",
               "To name2@email.com by sender2 on 05-11-2014\nTo name@email.com by sender2 on 06-03-2015\n"
  ), stringsAsFactors=FALSE
)

a <- strsplit(df$myString, "\n")
max_len <- max(sapply(a, length))
for(i in 1:max_len){
  df[,paste0("email", i)] <- sapply(a, "[", i)
}

【讨论】：

【解决方案3】：

这是一个长格式的有效途径：

a <- strsplit(df$myString, "\n")
lens <- vapply(a, length, integer(1L)) # or lengths(a) in R 3.2
longdf <- df[rep(seq_along(a), lens),]
longdf$string <- unlist(a)

请注意，stack() 在这些情况下通常很有用。

可以使用 IRanges Bioconductor 包进行简化：

longdf <- df[togroup(a),]
longdf$string <- unlist(a)

然后，如果确实需要，转到宽格式：

longdf$myString <- NULL
longdf$token <- sequence(lens)
widedf <- reshape(longdf, timevar="token", idvar="person", direction="wide")

【讨论】：

【解决方案4】：

这可能就足够了：

library(data.table)
dt = as.data.table(df) # or setDT to convert in place

dt[, strsplit(myString, split = "\n"), by = person]
#   person                                                         V1
#1:   John                To name5@email.com by sender6 on 01-12-2014
#2:   Jane To name@email.com,name4@email.com by sender1 on 01-22-2014
#3:   Jane                To name3@email.com by sender2 on 02-03-2014
#4:   Jane              To email5@domain.com by sender1 on 06-21-2014
#5:    Tim                To name2@email.com by sender2 on 05-11-2014
#6:    Tim                 To name@email.com by sender2 on 06-03-2015

然后可以轻松转换为宽格式：

dcast(dt[, strsplit(myString, split = "\n"), by = person][, idx := 1:.N, by = person],
      person ~ idx, value.var = 'V1')
#   person                                                          1                                           2                                             3
#1:   Jane To name@email.com,name4@email.com by sender1 on 01-22-2014 To name3@email.com by sender2 on 02-03-2014 To email5@domain.com by sender1 on 06-21-2014
#2:   John                To name5@email.com by sender6 on 01-12-2014                                          NA                                            NA
#3:    Tim                To name2@email.com by sender2 on 05-11-2014  To name@email.com by sender2 on 06-03-2015                                            NA

# (load reshape2 and use dcast.data.table instead of dcast if not using 1.9.5+)

【讨论】：

@SamFirke 你不需要reshape2 和最新版本的data.table （在末尾编辑评论以使其更清晰）
感谢澄清 - 我有最新的 CRAN 版本的 data.table，但我看到那是 1.9.4，而 1.9.5 是 GitHub 上当前的开发版本。现在这对我有用。