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R 从文件名中提取字符串并使用mutate创建新列,r,dplyr,stringr,mutate,R,Dplyr,Stringr,Mutate,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
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
fromtidyr
:
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