使用tidyr :: extract regex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多个变量,最好使用tidyr :: extract命令以dplyr-tidyr方式.对于矢量波纹中的不确定性:

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:

• 第一个数字([0-9] +)转到变量"int_pos"
• 由下划线([a-zA-Z _] +)连接的变量名称转到变量"var_name"
• 转到var"x"的第二个数字或术语$ Char1(可能是$ Char2等).我想([0-9] + | $ Char [0-9] +)可以选择这个吗？
• 最后,无论是在"/*... /"之间进入变量"label"(不知道正则表达式).所有其他中间字符(空格,".","/"," "应该被忽略)

这将是结果

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') )

我试着为此构建一个正则表达式.这是我到目前为止所得到的:

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

正则表达式之上是不完整的.另外,我不知道如何在extract命令语法中明确表示要恢复的部分是什么以及要省略哪些部分.

Answer 1

在使用的正则表达式中,我们匹配更多标点字符([[:punct:]]+),即@接着捕获数字部分((\\d+)- 这将是我们感兴趣的第一列),接着是一个或多个空格(\\s+),然后是第二个捕获组(\\S+-一个或多个非空白字符即"ANO_CENSO"的第一行),其次是空间(\\s+),那么我们捕获第三组(([[:alum:]$]+)-即一个或多个字符,其包括具有沿着所述字母数字$,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]+- 这应该摆脱空间和*),最后一部分我们捕获一个或多个不是*(([^*]+).

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

这是另一种选择,虽然它使用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.

这假定"剩余部分"(除标签外)是空间分隔的.

这也可以在一个块中完成(这就是我要做的):

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