regexp R-提取逗号之间的字符串

Question

由于我的csv文件已损坏，因此我使用以下命令将其读入R：

dataDT <- data.table::fread(".../test.csv", sep = NULL)

它为数据集提供了类似的内容：

dataDT <- data.table("ColA,ColB,ColC,ColD" = c("1,10,some text... , some text,,20190801",
                                               "2,22,some text... , some text,,20190801",
                                               "3,30,some text... , some text,,20170601"))
dataDT
> dataDT
                       ColA,ColB,ColC,ColD
1: 1,10,some text... , some text,,20190801
2: 2,22,some text... , some text,,20190801
3: 3,30,some text... , some text,,20170601

现在，我想要将每行中的字符串分成4个新列：

targetDT <- data.table(ColA = c(1,2,3), 
                       ColB = c(10,22,30), 
                       ColC = c("some text... , some text,", "some text... , some text,", "some text... , some text,"),
                       ColD = c("20190801","20190801",'20170601'))
targetDT
> targetDT
   ColA ColB                      ColC     ColD
1:    1   10 some text... , some text, 20190801
2:    2   22 some text... , some text, 20190801
3:    3   30 some text... , some text, 20170601

逻辑将是：

• ColA在第一个逗号前有字符串；
• ColB具有介于第一和第二逗号之间的所有内容；
• ColD在最后一个逗号后有字符串；
• ColC在中间部分有字符串（它可能包含其他逗号）。

如何实现以上逻辑？

编辑_1：

敏感数据，抱歉，我无法提供确切数据。看起来像：

        ID,Code1,Project_Name,Report_Date
1:     123123,1, A & B,20100101
2:     1413,2, C, D and E,20120101
3: 53163,333, F, G,20140303
4: 23453,44,This is a name,20160801
5: 12645,555,5th test, to continue,20190501

因此，第一个逗号之前的所有内容绝对是数字，第一和第二个逗号之间的所有内容也都是数字。上一个逗号之后的所有内容绝对是类似日期的8位数字。中间部分可以包含多个逗号，但不能包含引号（这是fread将逗号视为定界符的原因）。

Answer 1

这是一种regex模式，使您可以替换与前导2和终极数字值相邻的逗号字符，并将它们彼此分隔，并用空格分隔周围的文本。使用非空格字符进行分隔可能更安全，因为我的下一步将是使用其中一个read.*功能或可能fread再读取一次“行” 。也许使用“ |” 作为分隔符？

sub("(\\d+)[,](\\d+)[,](.+)[,](\\d+)$", 
    "\\1 \\2 '\\3' \\4", 
    dataDT$"ColA,ColB,ColC,ColD" )

[1] "1 10 'some text... , some text,' 20190801" "2 22 'some text... , some text,' 20190801"
[3] "3 30 'some text... , some text,' 20170601"

模式中的括号用于创建“捕获类”，在每种情况下，我都使用“ \ d +”模式“捕获”了任意数量的数字或小数点分隔符。我还将替换模式的单引号引起来的文本（用“。+”捕获）括起来，因此第三列中想要的“内部空间”不会被视为分隔符。的"\\1"，"\\2"等等，都是参考回到拍摄人物在每个捕获类的，责令其在图案出场顺序。请参阅?regex。但是，如果使用其他分隔符，则不需要单引号。

这是使用“ |”的测试 作为一个sep。

fread(text =sub("(\\d+)[,](\\d+)[,](.+)[,](\\d+)", "\\1|\\2|'\\3'|\\4", dataDT$"ColA,ColB,ColC,ColD" ) ,sep="|")
   V1 V2                          V3       V4
1:  1 10 'some text... , some text,' 20190801
2:  2 22 'some text... , some text,' 20190801
3:  3 30 'some text... , some text,' 20170601

注意：如果您的数字值包含逗号或前导或尾随货币，则您需要更改示例，因为"\\d"用于捕获数字字符组将不再成功。