将字符串拆分为单词列表

Question

我有一个来自二手来源的数据框，其中一列中包含许多关键信息，并用空格分隔。我不能简单地使用str_split，因为一些关键信息的名称中有空格，但它们前面有一个分组变量。以下是使用食物和食物组的示例：

foo1 <- paste('FRUIT', 'Apple', 'PROTEIN', 'Chicken', 'STARCH', 'Banana Bread', 'FRUIT', 'Strawberry')
foo2 <- paste('PROTEIN', 'Pork', 'FAT', 'Butter', 'FRUIT', 'Banana', 'STARCH', 'Spaghetti')
foo3 <- paste('FRUIT', 'Strawberry', 'PROTEIN', 'Lean Steak', 'FRUIT', 'Strawberry', 'STARCH', 'Potato')

df <- rbind(foo1, foo2, foo3)
df

foo1 "FRUIT Apple PROTEIN Chicken STARCH Banana Bread FRUIT Strawberry"  
foo2 "PROTEIN Pork FAT Butter FRUIT Banana STARCH Spaghetti"             
foo3 "FRUIT Strawberry PROTEIN Lean Steak FRUIT Strawberry Starch Potato"

在这种情况下，我想要抓住的关键部分是实际的食物，但我无法分割空间，因为存在“香蕉面包”之类的东西。因此，我只能划分水果、蛋白质、淀粉或脂肪，但我想不出一个好方法来做到这一点。在我的实际表格中，仍然只有 4 个“分组”，但有超过 500 个单独的项目，因此尝试用空格映射特定的项目将是一个巨大的痛苦。以下几行不起作用：

str_split(df, c('FRUIT', 'PROTEIN', 'STARCH', 'FAT'))
str_split_fixed(df, c('FRUIT', 'PROTEIN', 'STARCH', 'FAT'), 4)

有什么想法吗？提前致谢。

Answer 1

您可以使用正则表达式来做到这一点：

str_split(df, c('FRUIT|PROTEIN|STARCH|FAT'))
[[1]]
[1] ""               " Apple "        " Chicken "      " Banana Bread " " Strawberry"   

[[2]]
[1] ""           " Pork "     " Butter "   " Banana "   " Spaghetti"

[[3]]
[1] ""             " Strawberry " " Lean Steak " " Strawberry " " Potato"    

使用粘贴中的折叠参数将您的 vec 转换为正则表达式：

paste(c('FRUIT', 'PROTEIN', 'STARCH', 'FAT'), collapse = '|')
[1] "FRUIT|PROTEIN|STARCH|FAT"

最好的，

科林