Sql 将Dataframe字符串列解析为Street、City、State和amp；邮政编码

我正在尝试将下面的固定字符串拆分为几个列，如街道、城市、州和邮政编码。是否可以通过INSTR&Subtr方法在SQLDF中执行此操作

示例地址字符串。困难的部分是NV和邮政编码解析

727 Wright Brothers Ln, Las Vegas, NV 89119, USA 

我能够使用sqldf/instr解析城市/街道信息，但无法解析state/zip代码的最后两个值

parsed_tweetAddressdf <- sqldf("SELECT lon, lat, result, substr(result,0,instr(result,',')) AS street, substr(result,instr(result,',')+1,instr(result,',')-1) AS city from tweetAddressdf")

---

以下是一些备选方案。他们都按照问题的要求使用

instr

和

substr

，尽管第三个也会写出数据并读回（除了使用

instr

和

substr

）。最后的注释指出，在普通R中或在gsubfn中使用

read.pattern

也很容易做到这一点

1）假设州、邮政编码和国家/地区字段是固定宽度的，只有一个样本记录，不可能知道您的一般情况，但如果我们假设每个记录都以

SS ZZZZ，USA

结尾，其中SS是两个字母的州缩写，ZZZZZ是一个5位数的邮政编码，则此操作有效：

DF <- data.frame(v = "727 Wright Brothers Ln, Las Vegas, NV 89119, USA")

library(sqldf)
sqldf("select 
  substr(v, 0, instr(v, ',')) street,
  substr(v, instr(v, ',') + 2, length(v) - 16 - instr(v, ',')) city,
  substr(v, -13, 2) state,
  substr(v, -10, 5) zip
 from DF")

2）严格按照逗号分隔（state/zip除外）这种方法避免了（1）中的某些假设，但会增加复杂性。它将前两个逗号分隔的字段、两个字符的状态以及之后的所有内容作为zip文件，并将下一个逗号作为zip文件

它使用三重嵌套选择。最里面的select表示为

a

将输入字符串解析为：

street

和

a.rest

。下一个向外进行的代码表示为

b

返回已从

a

解析的

street

，并将

a.rest

解析为

city

和

b.rest

。最外面的一个返回已解析的

街道

和

城市

，再加上

b.rest

中的两个状态字符，以及

b.rest

中超出它们的所有字符，返回到下一个逗号

zip

library(sqldf)

sqldf("
  select
    street,
    city,
    substr(b.rest, 1, 2) state,
    substr(b.rest, 4, instr(b.rest, ',') - 4) zip
  from (
    select 
      street, 
      substr(a.rest, 0, instr(a.rest, ',')) city,
      substr(a.rest, instr(a.rest, ',') + 2) rest 
    from (select 
            substr(v, 0, instr(v, ',')) street,
            substr(v, instr(v, ',') + 2) rest
    from DF) a) b
")

给予：

                  street      city state   zip
1 727 Wright Brothers Ln Las Vegas    NV 89119

                  street      city state   zip
1 727 Wright Brothers Ln Las Vegas    NV 89119

                  street       city state    zip country
1 727 Wright Brothers Ln  Las Vegas    NV  89119     USA

                  street       city state    zip country
1 727 Wright Brothers Ln  Las Vegas    NV  89119     USA

                  street      city state   zip country
1 727 Wright Brothers Ln Las Vegas    NV 89119     USA

3）read.csv.sql如果可以写出并读回，那么我们可以使用

read.csv.sql

，这是一个围绕

sqldf

的包装器。虽然这个问题并没有要求它，但这个问题也剖析了这个国家：

write.table(DF, "addresses.csv", row.names = FALSE, col.names = FALSE, 
            sep = ",", quote = FALSE)

read.csv.sql("addresses.csv", header = FALSE, sql = 
       "select V1 street, 
               V2 city, 
               substr(V3, 2, 2) state, 
               substr(V3, 4) zip, 
               V4 country 
        from file")

给予：

                  street      city state   zip
1 727 Wright Brothers Ln Las Vegas    NV 89119

                  street      city state   zip
1 727 Wright Brothers Ln Las Vegas    NV 89119

                  street       city state    zip country
1 727 Wright Brothers Ln  Las Vegas    NV  89119     USA

                  street       city state    zip country
1 727 Wright Brothers Ln  Las Vegas    NV  89119     USA

                  street      city state   zip country
1 727 Wright Brothers Ln Las Vegas    NV 89119     USA

注1:这在普通R中也很容易

dd <- read.table(text = as.character(DF$v), sep = ",",
 col.names = c("street", "city", "state_zip", "country"))

transform(dd, 
              state = substring(state_zip, 2, 3), 
              zip = substring(state_zip, 4))[c(1, 2, 5, 6, 4)]

注2:使用gsubfn中的

read.pattern

更容易：

library(gsubfn)

pat <- "(.*), (.*), (..) (.*), (.*)"
read.pattern(text = as.character(DF$v), pattern = pat, 
   col.names = c("street", "city", "state", "zip", "country"))

---

你已经试过什么了？你在哪里卡住了？寻求调试帮助的问题（“为什么这段代码不起作用？”）必须包括所需的行为、特定的问题或错误以及在问题本身中重现它所需的最短代码。请看：。你想要的结果是什么？更新了初始问题的主体我认为使用正则表达式会容易得多（这可以很容易地捕捉到一个事实，例如州代码是两个字母，邮政编码是5个数字），如果你发布

dput（head（parsed_tweetAddressdf））

的结果，可能会有一些希望，但目前，你是唯一一个能够运行代码并有可能获得价值的人。添加了解决方案和注释。