使用 R 将大型文本文件构建为数据框

Question

我有一个大约 20 页的文本文件，其中包含大约 200 个段落。每段包含三行描述这样一个人的信息：

Name: John
Age: 26
Phone number: 123421

Name: Mary
Age: 80
Phone number: NA

...

现在我想将这个大文件转换成一个数据框，其中列代表三个变量名称、年龄和 Phone 数字，行对应于人。

Name      Age      Phone number
John      26       123421
Mary      80       NA
...       ...      ...

如何将大文本文件转换成这样的数据框？

Answer 1

不漂亮，但这里有一个正则表达式选项，它可能会起作用，具体取决于数据的读入方式，

test<-
"Name: John
Age: 26
Phone number: 123421

Name: Mary
Age: 80
Phone number: NA
"

读作：

[1] "Name: John\nAge: 26\nPhone number: 123421\n\nName: Mary\nAge: 80\nPhone number: NA\n"

现在使用正则表达式获取所有匹配项，始终捕获 NA 以确保行数相同：

Names<-regmatches(test, gregexpr("(?<=Name: )[a-zA-Z]+", test, perl=TRUE))

Numbers<-regmatches(test, gregexpr("(?<=Phone number: )[a-zA-Z0-9]+", test, perl=TRUE))

Age<-regmatches(test, gregexpr("(?<=Age: )[a-zA-Z0-9]+", test, perl=TRUE))

df<-data.frame(Names,Numbers,Age)
names(df)<-c("Name","Number","Age")

> df
  Name Number Age
1 John 123421  26
2 Mary     NA  80

如果使用 read.csv

读取数据，下面是如何为这种方法格式化数据

test<-read.csv(text=test, header=F, stringsAsFactors=FALSE)
test<-list(test$V1)
test<-paste(unlist(test), collapse =" ")
>test
[1] "Name: John Age: 26 Phone number: 123421 Name: Mary Age: 80 Phone number: NA"

如果您有姓氏，我们的 Names 参数的正则表达式也需要更改：

(?<=Name: ).+?(?=Age)

Answer 2

基础 R 中的 read.dcf() 是为读取此类数据而构建的：

read.dcf(textConnection(test), all = TRUE)

  Name Age Phone number
1 John  26       123421
2 Mary  80           NA

DCF（“Debian 控制文件”）格式的简要说明可在 help("read.dcf") 找到。

数据

test <-
"Name: John
Age: 26
Phone number: 123421

Name: Mary
Age: 80
Phone number: NA
"

使用 R 将大型文本文件构建为数据框

Structuring a large text file into a dataframe using R

text

r

text-mining

数据