我可以使用 tidyr 中的 separate() 或 extract() 将可变长度的数值拆分为其组成数字吗？
Can I use separate() or extract() from tidyr to split a numeric value of variable length into its component digits?
我有一个包含约 300 个观测值的数据框，每个观测值都与一个数字代码相关联，我想将该数字代码拆分成其组成部分。代码变量是 3 位或 4 位整数，按最后一位对齐，所以我想要的输出看起来像这样：
code d4 d3 d2 d1
403 <NA> 4 0 3
5123 5 1 2 3
105 <NA> 1 0 5
虽然我可以看到很多使用 strsplit（base R）或 stringr::str_split 划分代码的方法，但我很难将这些操作应用于我的数据框。
library(stringr)
as.integer(unlist(str_split(5123, ""))[1]) # returns 5, the first digit - correct
as.integer(rev(unlist(str_split(5123, "")))[1]) # returns 3, the last digit - correct
但是（对我来说）合理的操作
libray(dplyr)
df <- data.frame(code = c(403, 5123, 105))
df <- df %>%
mutate(
last = as.integer(rev(unlist(str_split(df$code,"")))[4])
)
returns
> df
code last
1 403 3
2 5123 3
3 105 3
很明显，我对如何在数据帧中处理列表和原子向量的操作缺乏理解...
然后我确信 tidyr 包中的 separate() 或 extract() 函数会有所帮助。当然，如果代码以字符串的形式提供，每个数字前都有一个前导 space，tidyr::separate() 会产生所需的结果：
library(tidyr)
dfsep <- data.frame(code = c(" 4 0 3", "5 1 2 3", " 1 0 5"))
dfsep <- dfsep %>%
separate(
code, c("d4", "d3", "d2", "d1"), fill = "right", remove = FALSE
)
dfsep
code d4 d3 d2 d1
1 4 0 3 4 0 3
2 5 1 2 3 5 1 2 3
3 1 0 5 1 0 5
但是连续的一串数字不能用这种方式分割； tidyr::separate()
不支持空搜索模式
df <- data.frame(code = c(403, 5123, 105))
df <- df %>%
separate(
code, c("d4", "d3", "d2", "d1"), fill = "right", remove = FALSE
)
df
code d4 d3 d2 d1
1 403 403 <NA> <NA> <NA>
2 5123 5123 <NA> <NA> <NA>
3 105 105 <NA> <NA> <NA>
虽然 tidyr::extract() 的问题在于，虽然它可以很好地提取数字，但我还没有找到一组可以处理 3 位和 4 位整数的参数：
dfext <- data.frame(code = c(403, 5123, 105))
dfext <- dfext %>%
extract(
code, c("d4", "d3", "d2", "d1"), "(.)(.)(.)(.)", remove = FALSE
)
dfext
code d4 d3 d2 d1
1 403 <NA> <NA> <NA> <NA>
2 5123 5 1 2 3
3 105 <NA> <NA> <NA> <NA>
也许我还没有理解如何为我的目的构建正确的正则表达式代码...
我查看了 Whosebug 上的相关问题，包括这个关于 separate() and this one about , but I could not see how to apply the answers to my own problem. The question 的问题给出了一个解决方案，该变量的值是固定长度的，而不是可变的。
如有任何帮助、提示或意见，我们将不胜感激！
P.S。为了提供上下文，这是跳水比赛中跳水的数据框架。每行代表一次潜水，一次观察具有多个分组变量：姓名、年龄、性别、潜水编号（例如 5 次中的 1 次）、冲浪板高度、潜水代码、潜水位置、关税、J1 奖、J2 奖、... J5奖励、总奖励（放弃最高和最低奖励）和分数（总奖励乘以关税）。代码由 FINA
决定
我们可以在 strsplit
拆分后使用 stringi 中的 stri_list2matrix
n <- max(nchar(df$code)) #get the maximum number of characters
fmt <- paste0('%', n, 'd') #create a format for the `sprintf`
library(stringi)
#the list output from `strsplit` can be coerced to `matrix` using
#stri_list2matrix.
d1 <- stri_list2matrix(strsplit(sprintf( fmt, df$code), ''), byrow=TRUE)
#But, the output is character class, which we can convert to 'numeric'
m1 <- matrix(as.numeric(d1), ncol=ncol(d1), nrow=nrow(d1))
m1
# [,1] [,2] [,3] [,4]
#[1,] NA 4 0 3
#[2,] 5 1 2 3
#[3,] NA 1 0 5
对于 'dfsep' 数据集
v1 <- gsub('\s+', '', dfsep$code)
n <- max(nchar(v1))
fmt <- paste0('%', n, 's')
d1 <- stri_list2matrix(strsplit(sprintf(fmt, v1), ''), byrow=TRUE)
m1 <- matrix(as.numeric(d1), ncol=ncol(d1), nrow=nrow(d1))
m1
# [,1] [,2] [,3] [,4]
#[1,] NA 4 0 3
#[2,] 5 1 2 3
#[3,] NA 1 0 5
我们可以cbind使用原始数据集
cbind(dfsep, m1)
这可以做成一个函数，适用于不同的数据集。
只测试了几个案例，但这应该也适用于不同类型的输入
f <- function(df) {
f <- tempfile()
df$ccode <- gsub('\s+', '', df$code)
cat(file = f, sprintf('%4s', gsub('\s+', '', df$ccode)), sep = "\n")
cbind(code = df$code, read.fwf(f, widths = rep(1, max(nchar(df$ccode)))))
}
df <- data.frame(code = c(403, 5123, 105))
f(df)
# code V1 V2 V3 V4
# 1 403 NA 4 0 3
# 2 5123 5 1 2 3
# 3 105 NA 1 0 5
dfsep <- data.frame(code = c(" 4 0 3", "5 1 2 3", " 1 0 5"))
f(dfsep)
# code V1 V2 V3 V4
# 1 4 0 3 NA 4 0 3
# 2 5 1 2 3 5 1 2 3
# 3 1 0 5 NA 1 0 5
一个简单的基础 R 解决方案
codes = c(403, 5123, 105)
# make all codes the same length
l = sapply(codes, nchar)
s = strrep(' ', max(l) - l)
new_codes = paste0(s, codes)
# split and combine into matrix
res = do.call(rbind, strsplit(new_codes, ''))
根据需要重新格式化：
res = data.frame(code=codes, res)
colnames(res) = c('code', 'd4', 'd3', 'd2', 'd1')
输出：
code d4 d3 d2 d1
1 403 4 0 3
2 5123 5 1 2 3
3 105 1 0 5
正则表达式应为“(.)?(.)(.)(.)”
？用于项目出现零次或一次
dfext %>% extract(code, c('d1','d2','d3','d4'), "(.)?(.)(.)(.)")
d1 d2 d3 d4
1 <NA> 4 0 3
2 5 1 2 3
3 <NA> 1 0 5
我有一个包含约 300 个观测值的数据框，每个观测值都与一个数字代码相关联，我想将该数字代码拆分成其组成部分。代码变量是 3 位或 4 位整数，按最后一位对齐，所以我想要的输出看起来像这样：
code d4 d3 d2 d1
403 <NA> 4 0 3
5123 5 1 2 3
105 <NA> 1 0 5
虽然我可以看到很多使用 strsplit（base R）或 stringr::str_split 划分代码的方法，但我很难将这些操作应用于我的数据框。
library(stringr)
as.integer(unlist(str_split(5123, ""))[1]) # returns 5, the first digit - correct
as.integer(rev(unlist(str_split(5123, "")))[1]) # returns 3, the last digit - correct
但是（对我来说）合理的操作
libray(dplyr)
df <- data.frame(code = c(403, 5123, 105))
df <- df %>%
mutate(
last = as.integer(rev(unlist(str_split(df$code,"")))[4])
)
returns
> df
code last
1 403 3
2 5123 3
3 105 3
很明显，我对如何在数据帧中处理列表和原子向量的操作缺乏理解...
然后我确信 tidyr 包中的 separate() 或 extract() 函数会有所帮助。当然，如果代码以字符串的形式提供，每个数字前都有一个前导 space，tidyr::separate() 会产生所需的结果：
library(tidyr)
dfsep <- data.frame(code = c(" 4 0 3", "5 1 2 3", " 1 0 5"))
dfsep <- dfsep %>%
separate(
code, c("d4", "d3", "d2", "d1"), fill = "right", remove = FALSE
)
dfsep
code d4 d3 d2 d1
1 4 0 3 4 0 3
2 5 1 2 3 5 1 2 3
3 1 0 5 1 0 5
但是连续的一串数字不能用这种方式分割； tidyr::separate()
df <- data.frame(code = c(403, 5123, 105))
df <- df %>%
separate(
code, c("d4", "d3", "d2", "d1"), fill = "right", remove = FALSE
)
df
code d4 d3 d2 d1
1 403 403 <NA> <NA> <NA>
2 5123 5123 <NA> <NA> <NA>
3 105 105 <NA> <NA> <NA>
虽然 tidyr::extract() 的问题在于，虽然它可以很好地提取数字，但我还没有找到一组可以处理 3 位和 4 位整数的参数：
dfext <- data.frame(code = c(403, 5123, 105))
dfext <- dfext %>%
extract(
code, c("d4", "d3", "d2", "d1"), "(.)(.)(.)(.)", remove = FALSE
)
dfext
code d4 d3 d2 d1
1 403 <NA> <NA> <NA> <NA>
2 5123 5 1 2 3
3 105 <NA> <NA> <NA> <NA>
也许我还没有理解如何为我的目的构建正确的正则表达式代码...
我查看了 Whosebug 上的相关问题，包括这个关于 separate() and this one about
如有任何帮助、提示或意见，我们将不胜感激！
P.S。为了提供上下文，这是跳水比赛中跳水的数据框架。每行代表一次潜水，一次观察具有多个分组变量：姓名、年龄、性别、潜水编号（例如 5 次中的 1 次）、冲浪板高度、潜水代码、潜水位置、关税、J1 奖、J2 奖、... J5奖励、总奖励（放弃最高和最低奖励）和分数（总奖励乘以关税）。代码由 FINA
决定我们可以在 strsplit
stringi 中的 stri_list2matrix
n <- max(nchar(df$code)) #get the maximum number of characters
fmt <- paste0('%', n, 'd') #create a format for the `sprintf`
library(stringi)
#the list output from `strsplit` can be coerced to `matrix` using
#stri_list2matrix.
d1 <- stri_list2matrix(strsplit(sprintf( fmt, df$code), ''), byrow=TRUE)
#But, the output is character class, which we can convert to 'numeric'
m1 <- matrix(as.numeric(d1), ncol=ncol(d1), nrow=nrow(d1))
m1
# [,1] [,2] [,3] [,4]
#[1,] NA 4 0 3
#[2,] 5 1 2 3
#[3,] NA 1 0 5
对于 'dfsep' 数据集
v1 <- gsub('\s+', '', dfsep$code)
n <- max(nchar(v1))
fmt <- paste0('%', n, 's')
d1 <- stri_list2matrix(strsplit(sprintf(fmt, v1), ''), byrow=TRUE)
m1 <- matrix(as.numeric(d1), ncol=ncol(d1), nrow=nrow(d1))
m1
# [,1] [,2] [,3] [,4]
#[1,] NA 4 0 3
#[2,] 5 1 2 3
#[3,] NA 1 0 5
我们可以cbind使用原始数据集
cbind(dfsep, m1)
这可以做成一个函数，适用于不同的数据集。
只测试了几个案例，但这应该也适用于不同类型的输入
f <- function(df) {
f <- tempfile()
df$ccode <- gsub('\s+', '', df$code)
cat(file = f, sprintf('%4s', gsub('\s+', '', df$ccode)), sep = "\n")
cbind(code = df$code, read.fwf(f, widths = rep(1, max(nchar(df$ccode)))))
}
df <- data.frame(code = c(403, 5123, 105))
f(df)
# code V1 V2 V3 V4
# 1 403 NA 4 0 3
# 2 5123 5 1 2 3
# 3 105 NA 1 0 5
dfsep <- data.frame(code = c(" 4 0 3", "5 1 2 3", " 1 0 5"))
f(dfsep)
# code V1 V2 V3 V4
# 1 4 0 3 NA 4 0 3
# 2 5 1 2 3 5 1 2 3
# 3 1 0 5 NA 1 0 5
一个简单的基础 R 解决方案
codes = c(403, 5123, 105)
# make all codes the same length
l = sapply(codes, nchar)
s = strrep(' ', max(l) - l)
new_codes = paste0(s, codes)
# split and combine into matrix
res = do.call(rbind, strsplit(new_codes, ''))
根据需要重新格式化：
res = data.frame(code=codes, res)
colnames(res) = c('code', 'd4', 'd3', 'd2', 'd1')
输出：
code d4 d3 d2 d1
1 403 4 0 3
2 5123 5 1 2 3
3 105 1 0 5
正则表达式应为“(.)?(.)(.)(.)”
？用于项目出现零次或一次
dfext %>% extract(code, c('d1','d2','d3','d4'), "(.)?(.)(.)(.)")
d1 d2 d3 d4
1 <NA> 4 0 3
2 5 1 2 3
3 <NA> 1 0 5