使用 tidyr::extract 正则表达式将字符串分成几列

Question

我正在尝试使用 R 中的正则表达式将字符串向量分解为几个变量，最好使用 tidyr::extract 命令以 dplyr-tidyr 方式进行。对于下面向量中的实例：

sasdic <- data.frame(a=c(
  '@1   ANO_CENSO   5.  /*Ano do Censo*/',
  '@71  TP_SEXO $Char1. /*Sexo*/',
  '@72  TP_COR_RACA $Char1. /*Cor/raça*/',
  '@74  FK_COD_PAIS_ORIGEM  4.  /*Código País de origem*/' ))

我想要：

要转到变量的第一个数字 ([0-9]+) "int_pos"
下划线([a-zA-Z_]+)连接的变量名去变量"var_name"
要转到 var "x" 的第二个数字或 $Char1 项（可以是 $Char2 等）。我想 ([0-9]+|$Char[0-9]+) 可以 select 这个吗？
最后，“/* ... /”之间的任何内容都会转到变量 "label"（不知道正则表达式）。所有其他中间字符（空格、“.”、“/”、“”应不予考虑）

这就是结果

d <- data.frame(int_pos=c(1,72,72,74),
                var_name=c('ANO_CENSO','TP_SEXO','TP_COR_RACA','FK_COD_PAIS_ORIGEM'),
                x=c('5','Chart1','$Char1','4'),
                label=c('Ano do Censo','Sexo','Cor/raça','Código País de origem') )

我试图为此构造一个正则表达式。这是我到目前为止得到的：

sasdic %>% extract(a, c('int_pos','var_name','x','label'), 
                   "([0-9]+)([a-zA-Z_]+)([0-9]+|$Char[0-9]+)(something to get the label") 
             -> d

以上正则表达式不完整。另外，我不知道在 extract 命令语法中明确说明哪些部分要恢复，哪些部分要删除。

Answer 1

在使用的正则表达式中，我们再匹配一个标点字符 ([[:punct:]]+)，即 @，然后捕获数字部分（(\d+) - 这将是我们的第一列感兴趣的），然后是一个或多个 white-space（\s+），然后是第二个捕获组（\S+ - 一个或多个非 white-space 字符，即 "ANO_CENSO" 第一行），然后是 space（\s+），然后我们捕获第三组（([[:alum:]$]+) - 即一个或多个包含字母数字和 [=18 的字符=] 以便匹配 $Char1)，接下来我们匹配一个或多个不是字母的字符（[^A-Za-z]+- 这应该去掉 space 和 *）最后一部分我们捕获一个或多个不是 * (([^*]+).

的字符

sasdic %>% 
      extract(a, into=c('int_pos', 'var_name', 'x', 'label'),
   "[[:punct:]](\d+)\s+(\S+)\s+([[:alnum:]$]+)[^A-Za-z]+([^*]+)")

#  int_pos           var_name      x                 label
#1       1          ANO_CENSO      5          Ano do Censo
#2      71            TP_SEXO $Char1                  Sexo
#3      72        TP_COR_RACA $Char1              Cor/raça
#4      74 FK_COD_PAIS_ORIGEM      4 Código País de origem

Answer 2

这是另一个选项，尽管它使用 data.table 包而不是 tidyr:

library(data.table)
setDT(sasdic)

# split label
sasdic[, c("V1","label") := tstrsplit(a, "/\*|\*/")]                   
# remove leading "@", split remaining parts
sasdic[, c("int_pos","var_name","x") := tstrsplit(gsub("^@","",V1)," +")]
# remove unneeded columns
sasdic[, c("a","V1") := NULL]                                            

sasdic

#                    label int_pos           var_name       x
# 1:          Ano do Censo       1          ANO_CENSO      5.
# 2:                  Sexo      71            TP_SEXO $Char1.
# 3:              Cor/raça      72        TP_COR_RACA $Char1.
# 4: Código País de origem      74 FK_COD_PAIS_ORIGEM      4.

这假设 "remaining parts"（除了标签）是 space-separated。

这也可以在一个块中完成（这就是我会做的）：

sasdic[, c("a","label","int_pos","var_name","x") := {
  x   = tstrsplit(a, "/\*|\*/")
  x1s = tstrsplit(gsub("^@","",x[[1]])," +")
  c(list(NULL), x1s, x[2])
}]

Answer 3

您可以使用包 unglue :

library(unglue)
unglue_unnest(sasdic, a, "@{int_pos}{=\s+}{varname}{=\s+}{x}.{=\s+}/*{label}*/")
#>   int_pos            varname      x                       label
#> 1       1          ANO_CENSO      5                Ano do Censo
#> 2      71            TP_SEXO $Char1                        Sexo
#> 3      72        TP_COR_RACA $Char1                 Cor/ra<e7>a
#> 4      74 FK_COD_PAIS_ORIGEM      4 C<f3>digo Pa<ed>s de origem

使用 tidyr::extract 正则表达式将字符串分成几列

Break string into several columns using tidyr::extract regex

regex

r

tidyr