tidyr和dplyr中的R正则表达式？

我有一个由数千行这种类型的代码组成的文件：

1   number  entry   size1   size2   value   size5   value2  my_id1k "AJKJjsdfe76r55"; my_label “1900”; my_idk2 "49354ytu866"; you_digit "some"; my_copy “jkl”;
1   number  entry   size3   size4   value   size6   value2  my_id1k "xyz804"; my_id2k “FI71"; my_id3k “Sk9000”; my_id4k “ldv”;

我想找到一种方法来提取

my_id1k

和

my_id2k

条目中包含的内容（不带双引号），以及提取其他一些列（我的代码如下）

为此，我想使用

tidyr

和

dplyr

包中的

separate（）

和

select（）

函数，因为它们速度非常快（我关心性能），所以我一直在研究：

但是，我不确定如何在这种异构情况下（我的最后一列长度不同）指定

到

和

sep

选项，以获得所需的输出。显然，我有一些行的信息比其他行多，因此我想知道如何编写一些高性能的

tidyr

和

dplyr

代码，以便尽快提取所需的条目

以下是我迄今为止的工作：

> library(dplyr)
> library(tidyr)
> library(data.table)
> x <- fread("myfile_MWE.txt")
> x
   V1     V2    V3    V4    V5    V6    V7     V8                                                                                                 V9
1:  1 number entry size1 size2 value size5 value2 my_id1k "AJKJjsdfe76r55"; my_label “1900”; my_idk2 "49354ytu866"; you_digit "some"; my_copy “jkl”;
2:  1 number entry size3 size4 value size6 value2                                 my_id1k "xyz804"; my_id2k “FI71"; my_id3k “Sk9000”; my_id4k “ldv”;
> y <- separate(x, V9, into = paste("V", 1:15, sep = "_"))
> y
   V1     V2    V3    V4    V5    V6    V7     V8 V_1  V_2            V_3 V_4   V_5  V_6 V_7  V_8         V_9 V_10  V_11 V_12 V_13 V_14 V_15
1:  1 number entry size1 size2 value size5 value2  my id1k AJKJjsdfe76r55  my label 1900  my idk2 49354ytu866  you digit some   my copy  jkl
2:  1 number entry size3 size4 value size6 value2  my id1k         xyz804  my  id2k FI71  my id3k      Sk9000   my  id4k  ldv        NA   NA

很明显，在一种情况下我需要

V_9

，在另一种情况下我需要

V_6

。我期望的结果是：

1 size5 AJKJjsdfe76r55 49354ytu866
1 size6         xyz804 FI71

---

无论如何，我是否可以以有条件的方式指定

V_9

和

V_6

的用法，以便我的代码足够智能，能够识别出我想要下拉

my_id1k

和

my_id2k

条目中包含的内容，例如通过正则表达式？

以下是我使用的数据：

data = structure(list(V1 = c(1L, 1L), V2 = c("number", "number"), V3 = c("entry", 
"entry"), V4 = c("size1", "size3"), V5 = c("size2", "size4"), 
    V6 = c("value", "value"), V7 = c("size5", "size6"), V8 = c("value2", 
    "value2"), V9 = c("my_id1k \"AJKJjsdfe76r55\"; my_label “1900”; my_idk2 \"49354ytu866\"; you_digit \"some\"; my_copy “jkl”;", 
    "my_id1k \"xyz804\"; my_id2k “FI71\"; my_id3k “Sk9000”; my_id4k “ldv”;"
    )), .Names = c("V1", "V2", "V3", "V4", "V5", "V6", "V7", 
"V8", "V9"), class = "data.frame", row.names = c(NA, -2L))

这是代码

library(dplyr)
library(stringi)
library(tidyr)

result = 
  data %>%
  group_by(V9) %>%
  do(.$V9 %>%
       first %>%
       stri_replace_all_fixed("; ", "\n") %>%
       read.table(text = ., stringsAsFactors = FALSE) ) %>%
  spread(V1, V2) %>%
  left_join(data)

---

以下是我使用的数据：

data = structure(list(V1 = c(1L, 1L), V2 = c("number", "number"), V3 = c("entry", 
"entry"), V4 = c("size1", "size3"), V5 = c("size2", "size4"), 
    V6 = c("value", "value"), V7 = c("size5", "size6"), V8 = c("value2", 
    "value2"), V9 = c("my_id1k \"AJKJjsdfe76r55\"; my_label “1900”; my_idk2 \"49354ytu866\"; you_digit \"some\"; my_copy “jkl”;", 
    "my_id1k \"xyz804\"; my_id2k “FI71\"; my_id3k “Sk9000”; my_id4k “ldv”;"
    )), .Names = c("V1", "V2", "V3", "V4", "V5", "V6", "V7", 
"V8", "V9"), class = "data.frame", row.names = c(NA, -2L))

这是代码

library(dplyr)
library(stringi)
library(tidyr)

result = 
  data %>%
  group_by(V9) %>%
  do(.$V9 %>%
       first %>%
       stri_replace_all_fixed("; ", "\n") %>%
       read.table(text = ., stringsAsFactors = FALSE) ) %>%
  spread(V1, V2) %>%
  left_join(data)

---

tidyr:：extract

比

separate

或

spread

更好，因为有很多你不在乎的东西

extract(df, V9, c('my_id1k', 'my_id2k'), 'my_id1k .(\\S+).;.*my_id(?:2k|k2) .(\\S+).;')
#   V1     V2    V3    V4    V5    V6    V7     V8        my_id1k     my_id2k
# 1  1 number entry size1 size2 value size5 value2 AJKJjsdfe76r55 49354ytu866
# 2  1 number entry size3 size4 value size6 value2         xyz804        FI71

注意，这假设

my_id2k

和

my_idk2

是相同的，正如您在问题中所假设的那样

my_id1k

没有变化，因此regex也没有变化。它还假设

my_id1k

位于

my_id2k

之前。在将其扩展到新数据时，请注意这些可能性，并相应地调整正则表达式

---

数据：

---

df
tidyr:：extract
是比
单独
或
分散
更好的选择，因为有很多你不在乎的东西

extract(df, V9, c('my_id1k', 'my_id2k'), 'my_id1k .(\\S+).;.*my_id(?:2k|k2) .(\\S+).;')
#   V1     V2    V3    V4    V5    V6    V7     V8        my_id1k     my_id2k
# 1  1 number entry size1 size2 value size5 value2 AJKJjsdfe76r55 49354ytu866
# 2  1 number entry size3 size4 value size6 value2         xyz804        FI71

注意，这假设
my_id2k
和
my_idk2
是相同的，正如您在问题中所假设的那样
my_id1k
没有变化，因此regex也没有变化。它还假设
my_id1k
位于
my_id2k
之前。在将其扩展到新数据时，请注意这些可能性，并相应地调整正则表达式


数据：

df谢谢，非常喜欢您的替代解决方案，尤其是
stringi
库的使用+1.正确使用
do
。另外一个。谢谢，非常喜欢您的替代解决方案，特别是
stringi
库的使用+1.正确使用
do
。加一，谢谢！整洁的正则表达式。事实上，感谢您指出
extract（）
函数不熟悉该函数+1.谢谢整洁的正则表达式。事实上，感谢您指出
extract（）
函数不熟悉该函数+1.