在R中清理和拆分数据集

我有一个类似这样的数据帧（注意单词的长度一直在变化，关键是它是不可预测的）<代码>风险值是一个因素：

                       VAR
1     AAA - BB (CC) [DDDD]
2 A - BBB - (CCCC) - [DDD]
3  AA - B - (CCC) - [DDDD]

我想将其转换为：

    X      Y
1 AAA     BB
2   A    BBB
3  AA      B

---

换句话说，我想去掉“（）”和“[]”中的所有内容，包括括号本身以及所有破折号，并将提醒拆分为两个变量，如图所示。任何帮助都将不胜感激

我们可以在

base R

中执行此操作，方法是使用

sub

从'VAR'列中删除子字符串，并使用

read.table

读取

向量

，以创建两列

数据.frame

res <-  read.table(text=gsub("\\s+", "", sub("\\s*-*\\s+\\(.*", "", df1$VAR)), 
              sep="-", col.names = c("x", "y"), stringsAsFactors=FALSE)
res
#    x   y
#1 AAA  BB
#2   A BBB
#3  AA   B

数据

---

df1您可以使用正则表达式来捕获与AAA、BBB、CCC、DDD匹配的组。
基本上，编写一个与您的格式匹配的普通正则表达式：

这里有一个非常广泛的正则表达式，因为不确定“AAA”代表什么：

[^ -]+[ -]+[^ -]+[ -]+\\([^ -]*\\)[ -]+\\[[^ -]*\\]

如果你不熟悉基本的正则表达式课程，请查阅

然后在要提取的内容周围添加括号；这将创建捕获组。在这里，我在匹配AAA、BBB、CCC、DDD的位周围添加了括号：

([^ -]+)[ -]+([^ -]+)[ -]+\\(([^ -]*)\\)[ -]+\\[([^ -]*)\\]

现在，我们可以简单地使用这个正则表达式来提取相关的组

来自package
stringr
的函数
str\u match
可用于提取捕获组。（我通常不建议使用R base regex实用程序，因为我发现它们的语法非常不一致…）

[^ -]+[ -]+[^ -]+[ -]+\\([^ -]*\\)[ -]+\\[[^ -]*\\]

([^ -]+)[ -]+([^ -]+)[ -]+\\(([^ -]*)\\)[ -]+\\[([^ -]*)\\]

VAR <- c("AAA - BB (CC) [DDDD]", 
         "A - BBB - (CCCC) - [DDD]",
         "AA - B - (CCC) - [DDDD]")

library(stringr)

str_match(VAR, "([^ -]+)[ -]+([^ -]+)[ -]+\\(([^ -]*)\\)[ -]+\\[([^ -]*)\\]")

     [,1]                       [,2]  [,3]  [,4]   [,5]  
[1,] "AAA - BB (CC) [DDDD]"     "AAA" "BB"  "CC"   "DDDD"
[2,] "A - BBB - (CCCC) - [DDD]" "A"   "BBB" "CCCC" "DDD" 
[3,] "AA - B - (CCC) - [DDDD]"  "AA"  "B"   "CCC"  "DDDD"