R 从文件名中提取字符串并使用mutate创建新列

我有一个data.frame，有两列。第二列是文件名

df  <- data.frame(paragraph = "Lorem ipsum dolor sit amet, consetetur sadipscing elitr, sed diam nonumy eirmod tempor invidunt ut labore et dolore magna aliquyam erat, sed diam voluptua.",
             filename = "./data/RevCon_2015_C1_Austria_05_06.txt", stringsAsFactors = FALSE)

---

我们可以使用

tidyr:：separate

执行以下操作：

library(tidyverse);
df %>%
    mutate(tmp = gsub("(\\./data/|\\.txt)", "", filename)) %>%
    separate(
        tmp,
        into = c("conference", "year", "ignored", "country", "month", "day")) %>%
    mutate(date = paste(day, month, year, sep = "/")) %>%
    select(-ignored, -month, -day)
#          paragraph                                filename conference year
#1 Lorem ipsum [...] ./data/RevCon_2015_C1_Austria_05_06.txt     RevCon 2015
#  country        date
#1 Austria  06/05/2015

注意，这假设

filename

s遵循以下模式：

/data/{conference}{year}{ignored}{country}{month}{day}.txt

---

样本数据

---

df这里有两种不同的方法使用
separate
和
extract
from
tidyr
：

library(dplyr)
library(tidyr)

df %>%
  mutate(filename2 = gsub("^(\\w+)_(\\d+)_.+?_(\\w+)_(\\d{2})_(\\d{2}).+$", 
                          "\\1_\\2_\\3_\\5.\\4.\\2", basename(filename))) %>%
  separate(filename2, c("conference", "year", "country", "date"), sep = "_")

或使用
提取
：

df %>%
  extract(filename, c("conference", "year", "country", "day", "month"),
          "^.+/(\\w+)_(\\d+)_.+?_(\\w+)_(\\d{2})_(\\d{2}).+$",
          remove = FALSE) %>%
  unite(date, month, day, year, sep = ".", remove = FALSE) %>%
  select(paragraph, filename, conference, year, country, date)

结果：

                                                                   paragraph
1 Lorem ipsum dolor sit amet, consetetur sadipscing elitr, sed diam nonumy eirmod tempor invidunt ut labore et dolore magna aliquyam erat, sed diam voluptua.
                                 filename conference year country       date
1 ./data/RevCon_2015_C1_Austria_05_06.txt     RevCon 2015 Austria 06.05.2015

注意事项：

                                                                   paragraph
1 Lorem ipsum dolor sit amet, consetetur sadipscing elitr, sed diam nonumy eirmod tempor invidunt ut labore et dolore magna aliquyam erat, sed diam voluptua.
                                 filename conference year country       date
1 ./data/RevCon_2015_C1_Austria_05_06.txt     RevCon 2015 Austria 06.05.2015

第一种方法使用
gsub
来匹配我们希望使用捕获组的每个“列”，并根据需要重新排序。请注意，添加了
\u
以区分列

我使用
basename
函数提取最后一个
/
之后的所有内容
然后使用
separate
将元素拆分为实际列，并使用
\uu
作为分隔符

第二种方法使用相同的正则表达式，但不是重新排列，
extract
将每个捕获组视为一个单独的列

unite
将
月
、
日
和
年
绑定在一起，而不删除原始列
最后，
select
删除
day
和
month
并重新排列列顺序

列
filename
中的所有条目是否具有相同的模式？也就是说，
/data/{conference}{year}{ignored}}{country}{month}{day}.txt
？大多数都是这样。有一些例外，但我认为我可以过滤它们，在第二次运行中提取这些信息，然后加入这两个数据集
                                                                   paragraph
1 Lorem ipsum dolor sit amet, consetetur sadipscing elitr, sed diam nonumy eirmod tempor invidunt ut labore et dolore magna aliquyam erat, sed diam voluptua.
                                 filename conference year country       date
1 ./data/RevCon_2015_C1_Austria_05_06.txt     RevCon 2015 Austria 06.05.2015