正则表达式（使用 tidyr 收集多组列）

Question

受hadley's nifty gather approach in this answer I tried to use tidyr的gather()和spread()的启发，结合正则表达式regex，但我似乎在[=19上弄错了=].

我确实研究了几个 regex 问题； this one, this one, and also at regex101.com. I tried to circumvent the regex by using starts_with(), ends_with() and matches() inspired by ，但没有运气。

我在这里问，希望有人能指出我哪里错了，我可以解决它，最好使用 select helpers 来自 tidyselect.

我需要 select 2 regex - 一组到最后一个 . 和一个由最后一个 . 之后的内容组成，我做了这两个下面的示例，一个是我的代码正常工作，另一个是我卡住了。

首先是有效的例子，

# install.packages(c("tidyverse"), dependencies = TRUE)
require(tidyverse)

第一个有效的数据集看起来像这样，

myData1 <- tibble(
  id = 1:10,
  Wage.1997.1 = c(NA, 32:38, NA, NA),
  Wage.1997.2 = c(NA, 12:18, NA, NA),
  Wage.1998.1 = c(NA, 42:48, NA, NA),
  Wage.1998.2 = c(NA, 2:8, NA, NA),  
  Wage.1998.3 =  c(NA, 42:48, NA, NA),    
  Job.Type.1997.1 = NA,
  Job.Type.1997.2 = c(NA, rep(c('A', 'B'), 4), NA),
  Job.Type.1998.1 = c(NA, rep(c('A', 'B'), 4), NA),
  Job.Type.1998.2 = c(NA, rep(c('A', 'B'), 4), NA)  
)

我就是这样gather()的，

myData1 %>% gather(key, value, -id) %>%  
   extract(col = key, into = c("variable", "id.job"), regex = "(.*?\..*?)\.(.)$") %>% 
   spread(variable, value)
#> # A tibble: 30 x 6
#>       id id.job Job.Type.1997 Job.Type.1998 Wage.1997 Wage.1998
#>    <int> <chr>  <chr>         <chr>         <chr>     <chr>    
#>  1     1 1      <NA>          <NA>          <NA>      <NA>     
#>  2     1 2      <NA>          <NA>          <NA>      <NA>     
#>  3     1 3      <NA>          <NA>          <NA>      <NA>     
#>  4     2 1      <NA>          A             32        42       
#>  5     2 2      A             A             12        2        
#>  6     2 3      <NA>          <NA>          <NA>      42       
#>  7     3 1      <NA>          B             33        43       
#>  8     3 2      B             B             13        3        
#>  9     3 3      <NA>          <NA>          <NA>      43       
#> 10     4 1      <NA>          A             34        44       
#> # ... with 20 more rows

它起作用了，我怀疑我用 regex 过度了，但它起作用了。但是，我的真实数据最后可以有一个或两个摘要，即

第二个数据，我卡的地方，

myData2 <- tibble(
  id = 1:10,
  Wage.1997.1 = c(NA, 32:38, NA, NA),
  Wage.1997.12 = c(NA, 12:18, NA, NA),
  Wage.1998.1 = c(NA, 42:48, NA, NA),
  Wage.1998.12 = c(NA, 2:8, NA, NA),  
  Wage.1998.13 =  c(NA, 42:48, NA, NA),    
  Job.Type.1997.1 = NA,
  Job.Type.1997.12 = c(NA, rep(c('A', 'B'), 4), NA),
  Job.Type.1998.1 = c(NA, rep(c('A', 'B'), 4), NA),
  Job.Type.1998.12 = c(NA, rep(c('A', 'B'), 4), NA)  
)

现在，这是我在第二组中使用 (0[0-1]|1[0-9])$ 的地方，我也尝试过类似 \d{1}|\d{2} 的方法，但也没有用。

myData2 %>% gather(key, value, -id) %>% 
     extract(col = key, into = c("variable", "id.job"), 
             regex = "(.*?\..*?)\.(0[0-1]|1[0-9])$") %>%  
     spread(variable, value)

预期的输出是这样的，

#> # A tibble: 30 x 6
#>       id id.job Job.Type.1997 Job.Type.1998 Wage.1997 Wage.1998
#>    <int> <chr>  <chr>         <chr>         <chr>     <chr>    
#>  1     1 1      <NA>          <NA>          <NA>      <NA>     
#>  2     1 12     <NA>          <NA>          <NA>      <NA>     
#>  3     1 13     <NA>          <NA>          <NA>      <NA>     
#>  4     2 1      <NA>          A             32        42       
#>  5     2 12     A             A             12        2        
#>  6     2 13     <NA>          <NA>          <NA>      42       
#>  7     3 1      <NA>          B             33        43       
#>  8     3 12     B             B             13        3        
#>  9     3 13     <NA>          <NA>          <NA>      43       
#> 10     4 1      <NA>          A             34        44       
#> # ... with 20 more rows

使用 select 助手 的简单解决方案，例如 starts_with()、ends_with()、matches(), 等将不胜感激。

Answer 1

我们可以更改 extract 中的 regex 以匹配字符并从字符串的开头 (^) 捕获为组 ((.*))，后跟一个点 (\.) 和一个或多个不是点的字符捕获为一组 (([^.]+)) 直到字符串的末尾 ($)

myData2 %>%
    gather(key, value, -id)  %>% 
    extract(col = key, into = c("variable", "id.job"), "^(.*)\.([^.]+)$") %>%
    spread(variable, value)
# A tibble: 30 x 6
#      id id.job Job.Type.1997 Job.Type.1998 Wage.1997 Wage.1998
# * <int> <chr>  <chr>         <chr>         <chr>     <chr>    
# 1     1 1      <NA>          <NA>          <NA>      <NA>     
# 2     1 12     <NA>          <NA>          <NA>      <NA>     
# 3     1 13     <NA>          <NA>          <NA>      <NA>     
# 4     2 1      <NA>          A             32        42       
# 5     2 12     A             A             12        2        
# 6     2 13     <NA>          <NA>          <NA>      42       
# 7     3 1      <NA>          B             33        43       
# 8     3 12     B             B             13        3        
# 9     3 13     <NA>          <NA>          <NA>      43       
#10     4 1      <NA>          A             34        44       
# ... with 20 more rows

正则表达式（使用 tidyr 收集多组列）

regex (in gathering multiple sets of columns with tidyr)

regex

r

tidyr

tidyselect