R 基于模式的一部分在数据框的列中拆分文本

使用R，我试图将具有指定分隔符的列中的文本拆分为两个新列。示例数据框如下所示：

repdf <- data.frame(a=c("abc(100)","def(95)","ghi(100)","j_(klm)(100)"),b=c("abc(100)","def(95)","ghi(100)","j_(klm)(100)"))

我尝试过使用

splitstackshape:：cSplit

和

stringr:：str_split_fixed

但没有效果。

cSplit（repdf，c（“a”、“b”），“（”）

在每个“（”）处拆分

cSplit（repdf，c（“a”，“b”），“\\（[0-9]）”，fixed=FALSE）

删除第一个数字，如果可以使用

\1

将捕获添加到第二个组中，这会很好，但遗憾的是它不是

       a_1 a_2     b_1 b_2
1:     abc 00)     abc 00)
2:     def  5)     def  5)
3:     ghi 00)     ghi 00)
4: j_(klm) 00) j_(klm) 00)

as.data.frame（lapply（repdf，function（x）str_split_fixed（x，“\\（”，n=2））

确实允许我只拆分两列，但当然只需要第一个匹配：

  a.1       a.2 b.1       b.2
1 abc      100) abc      100)
2 def       95) def       95)
3 ghi      100) ghi      100)
4  j_ klm)(100)  j_ klm)(100)

---

这就是前瞻派上用场的地方……本质上，我们寻找的是

（

后面跟一个数字

\\d

），但前瞻并不使用数字进行拆分

do.call(cbind, lapply(repdf, function(x){
  do.call(rbind, strsplit(as.character(x), "\\((?=\\d)", perl = TRUE))
}))

# [,1]      [,2]   [,3]      [,4]  
# [1,] "abc"     "100)" "abc"     "100)"
# [2,] "def"     "95)"  "def"     "95)" 
# [3,] "ghi"     "100)" "ghi"     "100)"
# [4,] "j_(klm)" "100)" "j_(klm)" "100)"

---

受@Konrad建议的启发，我发现以下内容可用于

tidyr:：extract

，但我需要使用其“标准评估版本”

tidyr:：extract

：

do.call(cbind, lapply(seq_along(repdf),
       function(df, i){
         tidyr::extract_(data=df[i], col = names(df[i]),
                  into=c(paste0("tax",i),paste0("prob",i)),
                  regex = "(.*)\\((?=\\d)(.*)",perl=TRUE)}, df=repdf))

此处的优点是，您可以为拆分的列提供预定义的名称（例如，此处

tax

和

prob

），这对于下游数据争用非常有用。

---

另一方面，关于公认答案的有趣之处在于，当数据被拆分成的列数事先未知时（或取决于初始数据帧列的变量），它仍然会像一个符咒一样工作。

如前所述，

extract

from可能会提供必要的灵活性。@Konrad，尽管这确实是可能的（例如

tidyr:：extract（data=repdf，a，into=c（'tax'，'prob'），“（.*）\（？=\\d）（.*”，perl=TRUE）

推断出一个包含多列的data.frame并不是那么容易。@Konrad:你让我思考了一下。当我最初被困在

tidyr:：extract

的非标准求值版本时，标准求值函数实际上运行得非常优雅。我在下面添加了一个使用它的答案。

do.call(cbind, lapply(repdf, function(x){
  do.call(rbind, strsplit(as.character(x), "\\((?=\\d)", perl = TRUE))
}))

# [,1]      [,2]   [,3]      [,4]  
# [1,] "abc"     "100)" "abc"     "100)"
# [2,] "def"     "95)"  "def"     "95)" 
# [3,] "ghi"     "100)" "ghi"     "100)"
# [4,] "j_(klm)" "100)" "j_(klm)" "100)"

do.call(cbind, lapply(seq_along(repdf),
       function(df, i){
         tidyr::extract_(data=df[i], col = names(df[i]),
                  into=c(paste0("tax",i),paste0("prob",i)),
                  regex = "(.*)\\((?=\\d)(.*)",perl=TRUE)}, df=repdf))