使用 Stringr 进行数据清理

Question

我有一个包含两列的数据 table，第一列包含一个 Id 变量，第二列包含一个字符串。第二列中的字符串格式为

"A:randomString|B:randomString|C:randomString".

我想将 table 更改为具有 4 列：Id、A、B 和 C。Id 将保持不变，A 将在每个 A: 之后具有随机字符串，B 将具有每个 B: 之后的字符串，C 将具有 C:.

之后的字符串

是否可以使用 stringr 来做到这一点？

Answer 1

您可以使用 stringr::str_extract() 和利用 lookbehind and lookahead:

的正则表达式来做到这一点

library(tidyverse)

df <- readr::read_csv("~/../Downloads/test1.csv")

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

例子

样本数据df为：

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

使用dplyr::mutate()创建新列A、B和C：

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

此操作后的data.framedf为：

> df
# A tibble: 2 x 5
     Id                                  col2             A       B           C
  <int>                                 <chr>         <chr>   <chr>       <chr>
1     1 A:frog's legs|B:popcorn|C:white_wine!   frog's legs popcorn white_wine!
2     2     A:banana SUNDAE|B:!@$%^|C:123456  banana SUNDAE  !@#$%^      123456

正则表达式的工作原理

正则表达式对 A:（在第一个字符串中）使用 lookbehind，对 | 使用 lookahead 来匹配这两者之间的所有字符。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，直到字符串结尾。

警告

以上假定分隔字符 | 将不出现在随机字符串中。如果不是这种情况，则必须稍微调整正则表达式以解决此问题：

> 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

注意上面随机字符串中的 | 字符。我们更改正则表达式的前瞻部分以解决这个问题：

> 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

Answer 2

您可以选择使用这个：

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)

输出:

print(values)
             A            B            C
1 randomString randomString randomString

使用 Stringr 进行数据清理

Data Cleaning Using Stringr

r

stringr

例子

正则表达式的工作原理

警告