R 将不规则文本拆分为表格

我的文本表如下所示：

in.data <- rbind(
c("ColA KB      Col C    The ColE (2.0)"),
c("abc  def     ghijklm  n    opqrst"), 
c("uv   wx y    zzzzzz   aa   bcd"),
c("ab   cd               gh   jklmn")
)

wanted.result <- rbind(
    c("abc", "def", "ghijklm", "n", "opqrst"), 
    c("uv", "wx  y", "zzzzzz", "aa", "bcd"),
    c("ab", "cd", NA, "gh", "jklmn")
)
colnames(wanted.result) <- c("ColA", "KB", "Col C", "The", "ColE (2.0)")

我需要这样：

in.data <- rbind(
c("ColA KB      Col C    The ColE (2.0)"),
c("abc  def     ghijklm  n    opqrst"), 
c("uv   wx y    zzzzzz   aa   bcd"),
c("ab   cd               gh   jklmn")
)

wanted.result <- rbind(
    c("abc", "def", "ghijklm", "n", "opqrst"), 
    c("uv", "wx  y", "zzzzzz", "aa", "bcd"),
    c("ab", "cd", NA, "gh", "jklmn")
)
colnames(wanted.result) <- c("ColA", "KB", "Col C", "The", "ColE (2.0)")

使这一点变得复杂的是，垂直分隔符位置可以基于列名和列内容

以下是一个丑陋的尝试：

library(stringr)
spaces.1 <- unique(unlist(str_locate_all(in.data[1,], " ")))
spaces.2 <- unique(unlist(str_locate_all(in.data[2,], " ")))
spaces.3 <- unique(unlist(str_locate_all(in.data[3,], " ")))
spaces.4 <- unique(unlist(str_locate_all(in.data[4,], " ")))
spaces.12 <- spaces.1[spaces.1%in%spaces.2]
spaces.123 <- spaces.12[spaces.12%in%spaces.3]
spaces.1234 <- spaces.123[spaces.123%in%spaces.4]
for (i in length(spaces.1234):2) {
    if (spaces.1234[i]-spaces.1234[i-1]==1) spaces.1234[i] <- NA_integer_
}
delimiters <- na.omit(spaces.1234)
library(data.table)
in.data.table <- data.table(in.data)
in.data.table[, col.1:=substr(V1, start=1, stop=delimiters[1])]
in.data.table[, col.2:=substr(V1, start=delimiters[1], stop=delimiters[2])]
in.data.table[, col.3:=substr(V1, start=delimiters[2], stop=delimiters[3])]
in.data.table[, col.4:=substr(V1, start=delimiters[3], stop=delimiters[4])]
in.data.table[, col.5:=substr(V1, start=delimiters[4], stop=37)]
setnames(in.data.table, as.character(in.data.table[1, ]))
wanted.result.2 <- in.data.table[2:4, 2:6, with=FALSE]

但我需要这样做数千次，并且使用不同数量的列和行

有没有更好的方法可以做到这一点，它也适用于任意数量的行

更新：澄清一下，问题是根据标题和行中空格的位置来查找宽度。抱歉，我不太清楚。

在使用gregexpr调用计算列宽后，使用read.fwf查找定义列名的内容：

txt <- paste(c(in.data),collapse="\n")
widths <- diff(c(gregexpr("Col", in.data[1])[[1]], nchar(in.data[1])+1))
out <- read.fwf(textConnection(txt), widths=widths, skip=1)
names(out) <- unlist(read.fwf(textConnection(txt), widths=widths, n=1))
out

#  ColA  ColB     Col C     ColD  ColE (2.0)
#1 abc   def      ghijklm   n         opqrst
#2 uv    wx  y    zzzzzz    aa           bcd
#3 ab    cd                 gh         jklmn

使用gregexpr调用计算列宽后使用read.fwf查找定义列名的内容：

txt <- paste(c(in.data),collapse="\n")
widths <- diff(c(gregexpr("Col", in.data[1])[[1]], nchar(in.data[1])+1))
out <- read.fwf(textConnection(txt), widths=widths, skip=1)
names(out) <- unlist(read.fwf(textConnection(txt), widths=widths, n=1))
out

#  ColA  ColB     Col C     ColD  ColE (2.0)
#1 abc   def      ghijklm   n         opqrst
#2 uv    wx  y    zzzzzz    aa           bcd
#3 ab    cd                 gh         jklmn

---

我们假设所有行中包含空格的任何列都会分隔字段，并且我们假设最后一个字段的宽度为10或更小。如果需要，请更改此数字。没有使用任何软件包

w <- diff(Reduce(intersect, gregexpr(" ", paste("", in.data))))
w <- c(w, 10)
X <- read.fwf(textConnection(in.data), w, skip = 1, as.is = TRUE)
names(X) <- trimws(read.fwf(textConnection(in.data), w, n = 1, as.is = TRUE))
X <- X[names(X) != "NA"]
X[] <- lapply(X, trimws)

注意：我们在上面的测试运行中将其用作输入：

in.data <-
structure(c("ColA ColB    Col C    ColD ColE (2.0)", "abc  def     ghijklm  n    opqrst", 
"uv   wx  y   zzzzzz   aa   bcd", "ab   cd               gh   jklmn"
), .Dim = c(4L, 1L))

---

我们假设所有行中包含空格的任何列都会分隔字段，并且我们假设最后一个字段的宽度为10或更小。如果需要，请更改此数字。没有使用任何软件包

w <- diff(Reduce(intersect, gregexpr(" ", paste("", in.data))))
w <- c(w, 10)
X <- read.fwf(textConnection(in.data), w, skip = 1, as.is = TRUE)
names(X) <- trimws(read.fwf(textConnection(in.data), w, n = 1, as.is = TRUE))
X <- X[names(X) != "NA"]
X[] <- lapply(X, trimws)

注意：我们在上面的测试运行中将其用作输入：

in.data <-
structure(c("ColA ColB    Col C    ColD ColE (2.0)", "abc  def     ghijklm  n    opqrst", 
"uv   wx  y   zzzzzz   aa   bcd", "ab   cd               gh   jklmn"
), .Dim = c(4L, 1L))

---

这个过程需要一个规则来确定何时以及填写多少NA值。这本质上不是一个固定宽度的文本文件吗e、 g.-？read.fwf应该能够处理它。我认为read.fwf需要宽度，这在我的数据中是事先不知道的。这个过程需要一个规则来确定何时以及填写多少NA值。这本质上不是一个固定宽度的文本文件吗？-e、 g.-？read.fwf应该能够处理它。我认为read.fwf需要宽度，这在我的数据中是事先不知道的。对不起，我应该提到的是，并非所有列名都以col开头。我将在示例中对此进行更改。@Chris-如果没有明确的规则来定义列，您必须手动获取宽度。没有一个程序可以读心术。对不起，我应该提到的是，并非所有列名都以col开头。我将在示例中对此进行更改。@Chris-好吧，如果没有关于如何定义列的明确规则，您将不得不手动获取宽度。没有一个程序能读心术。