使用Stringr清理数据

我有一个包含两列的数据表，第一列包含Id变量，第二列包含字符串。第二列中的字符串的格式为

“A:randomString | B:randomString | C:randomString”

我想将该表更改为有4列：Id、A、B和C。Id将保持不变，A将在每个A:，B将在每个B:，C将在每个C:，后面有随机字符串

---

是否可以使用stringr执行此操作？

您可以使用

stringr:：str_extract（）

和正则表达式执行此操作，使用：

使用

dplyr:：mutate（）

创建新的列A、B和C：

> df <- df %>%
+   mutate(A = str_extract(col2, "(?<=A\\:).*?(?=\\|)"),
+          B = str_extract(col2, "(?<=B\\:).*?(?=\\|)"),
+          C = str_extract(col2, "(?<=C\\:).*?$")
+   )

正则表达式的工作原理 正则表达式使用

A:

（在第一个字符串中）的lookback和

|

的lookahead来匹配这两个字符串之间的所有字符。第二个字符串

B:

同上。对于第三个字符串，它匹配

C:

之后的所有字符，直到字符串结束

警告 以上假设分隔字符

|

将不在随机字符串中。如果不是这种情况，则必须稍微调整正则表达式以考虑这一点：

> df
# A tibble: 2 x 2
     Id                                   col2
  <int>                                  <chr>
1     1 A:frog's l|egs|B:popcorn|C:white_wine!
2     2      A:banana SUNDAE|B:!@|$%^|C:123456

> df <- df %>%
+   mutate(A = str_extract(col2, "(?<=A:).*?(?=\\|B:)"),
+          B = str_extract(col2, "(?<=B:).*?(?=\\|C:)"),
+          C = str_extract(col2, "(?<=C:).*?$")
+   )
> df
# A tibble: 2 x 5
     Id                                   col2             A       B           C
  <int>                                  <chr>         <chr>   <chr>       <chr>
1     1 A:frog's l|egs|B:popcorn|C:white_wine!  frog's l|egs popcorn white_wine!
2     2      A:banana SUNDAE|B:!@|$%^|C:123456 banana SUNDAE  !@|$%^      123456

---

可以使用

stringr:：str_extract（）

和正则表达式执行此操作，正则表达式使用：

使用

dplyr:：mutate（）

创建新的列A、B和C：

> df <- df %>%
+   mutate(A = str_extract(col2, "(?<=A\\:).*?(?=\\|)"),
+          B = str_extract(col2, "(?<=B\\:).*?(?=\\|)"),
+          C = str_extract(col2, "(?<=C\\:).*?$")
+   )

正则表达式的工作原理 正则表达式使用

A:

（在第一个字符串中）的lookback和

|

的lookahead来匹配这两个字符串之间的所有字符。第二个字符串

B:

同上。对于第三个字符串，它匹配

C:

之后的所有字符，直到字符串结束

警告 以上假设分隔字符

|

将不在随机字符串中。如果不是这种情况，则必须稍微调整正则表达式以考虑这一点：

> df
# A tibble: 2 x 2
     Id                                   col2
  <int>                                  <chr>
1     1 A:frog's l|egs|B:popcorn|C:white_wine!
2     2      A:banana SUNDAE|B:!@|$%^|C:123456

> df <- df %>%
+   mutate(A = str_extract(col2, "(?<=A:).*?(?=\\|B:)"),
+          B = str_extract(col2, "(?<=B:).*?(?=\\|C:)"),
+          C = str_extract(col2, "(?<=C:).*?$")
+   )
> df
# A tibble: 2 x 5
     Id                                   col2             A       B           C
  <int>                                  <chr>         <chr>   <chr>       <chr>
1     1 A:frog's l|egs|B:popcorn|C:white_wine!  frog's l|egs popcorn white_wine!
2     2      A:banana SUNDAE|B:!@|$%^|C:123456 banana SUNDAE  !@|$%^      123456

---

您可以选择使用以下选项：

library(stringr)
xt <- "A:randomString|B:randomString|C:randomString"
colnm <- unlist(str_extract_all(xt, "[A-Z](?=:)"))
values <- setNames(data.frame(rbind(unlist(str_extract_all(xt,"(?![A-Z]:)\\w+" )))), colnm)

---

您可以选择使用以下选项：

library(stringr)
xt <- "A:randomString|B:randomString|C:randomString"
colnm <- unlist(str_extract_all(xt, "[A-Z](?=:)"))
values <- setNames(data.frame(rbind(unlist(str_extract_all(xt,"(?![A-Z]:)\\w+" )))), colnm)

---

尝试

库（tidyr）；df1%>%变异（col2=gsub（“.：”，“，”，col2））%>%分离（col2，into=c（'A'，'B'，'c'））

这帮了大忙！我现在遇到的问题是，对于“C:randomString”，随机字符串包含一个下划线（因此它实际上更像“C:random_string”。这会导致此字符串拆分为不同的列。请尝试

library（tidyr）；df1%>%mutate（col2=gsub（.：“，”，col2））%>%separate（col2，into=C（'A'，'B'，'C'））

这帮了大忙！我现在遇到的问题是，对于“C:randomString”，随机字符串包含一个下划线（因此它实际上更像“C:randomString”）。这导致该字符串被拆分为不同的列。