Met*_*fan 3 regex string r dplyr
背景
下面是我的dput形式的游戏数据数据集——它包含一些 MLB 游戏的得分。
structure(list(team = c("NYM", "NYM", "BOS", "NYM", "BOS"), linescore = c("010000000",
"(10)1140006x", "002200010", "00000(11)01x", "311200"), ondate = structure(c(18475,
18476, 18487, 18489, 18494), class = "Date")), class = "data.frame", row.names = c(NA,
-5L))
例如，这是一行得分：“002200010”。
有些行分数以“x”结尾，有些在括号中包含两位数值，如“00000(11)01x”。不在括号中的每个数字表示球队在局中得分的次数。如果一支球队在一局中得分超过 9 分，则数字放在括号中，因此在得分“00000(11)01x”行中，该球队在第六局中得分为 11 分，但没有在最后一局击球。第九个（用“x”表示）。
并非每条线得分都有九局。有些有更多，有些只有六个。
我需要做什么
首先，我需要做的是获取一个团队在每一局中得分的次数，例如第一、第二、第三等，并将每个得分放在一个新列中。我更喜欢使用 dplyr 的解决方案。
我已经查看了 stackoverflow 的建议解决方案，但没有发现符合我需要的解决方案。如果有的话，如果你能分享它的网址，我将不胜感激。
我尝试使用以下代码来做到这一点：
gamedata %>%
select(ondate, team, linescore) %>%
mutate(inng1 = str_extract(linescore, "\\d|\\(\\d{2}\\)"))
这是输出：
ondate team linescore inng1
2020-08-01 NYM 010000000 0
2020-08-02 NYM (10)1140006x (10)
2020-08-13 BOS 002200010 0
2020-08-15 NYM 00000(11)01x 0
2020-08-20 BOS 311200 3
其次，如何删除'10'的inng1列中的括号？
下面的代码在它下面产生了错误：
gamedata %>%
select(ondate, team, linescore) %>%
mutate(inng1 = str_extract(linescore, "\\d|\\(\\d{2}\\)"))
str_remove_all(inng1,"[()]")
这是我收到的错误消息：
“stri_replace_all_regex(string, pattern, fix_replacement(replacement), : 找不到对象‘inng1’时出错”
第三，我需要知道如何提取每个附加局的得分，从第二局开始，将每个值放在自己的列中，例如 inng2、inng3 等等。
最后，我应该有上面显示的输出（每个两位数的局没有括号），每个局都有一列，所以会有一个标题为“inng1”、“inng2”、“inng3”、“inng4”的列，等等。局列中的数据需要是数字，因为稍后我将对它们求和。
解决方案02
这是您可以用于此问题的另一种解决方案，它比第一个更有效，并且主要基于purrr函数系列：
library(dplyr)
library(purrr)
df %>%
bind_cols(
map(df %>% select(linescore), ~ strsplit(.x, "\\(|\\)")) %>%
flatten() %>%
map_dfr(~ map(.x, ~ if(nchar(.x) > 2) strsplit(.x, "")[[1]] else .x) %>%
reduce(~ c(.x, .y)) %>%
keep(~ nchar(.x) != 0) %>% t() %>%
as_tibble() %>%
set_names(~ paste0("inng", 1:length(.x)))) %>%
mutate(across(everything(), ~ replace(.x, .x == "x", NA_character_)),
count_inng = pmap_dbl(cur_data(), ~ sum(!is.na(c(...)))),
sums_inng = pmap_dbl(select(cur_data(), starts_with("inng")),
~ sum(as.numeric(c(...)), na.rm = TRUE)))
)
team linescore ondate inng1 inng2 inng3 inng4 inng5 inng6 inng7 inng8 inng9 count_inng
1 NYM 010000000 2020-08-01 0 1 0 0 0 0 0 0 0 9
2 NYM (10)1140006x 2020-08-02 10 1 1 4 0 0 0 6 <NA> 8
3 BOS 002200010 2020-08-13 0 0 2 2 0 0 0 1 0 9
4 NYM 00000(11)01x 2020-08-15 0 0 0 0 0 11 0 1 <NA> 8
5 BOS 311200 2020-08-20 3 1 1 2 0 0 <NA> <NA> <NA> 6
sums_inng
1 1
2 22
3 5
4 12
5 7
解决方案01
我对我的解决方案进行了一些修改，因为它错误地替换了输出向量中的两位数，我认为它已得到修复。我认为这个解决方案可以帮助你。为此，我决定编写一个自定义函数来检测两位数并修剪分数的输出：
library(dplyr)
library(stringr)
library(tidyr)
library(purrr)
fn <- function(x) {
out <- c()
if(str_detect(x, "\\((\\d){2}\\)")) {
double <- str_replace_all(str_extract(x, "\\((\\d){2}\\)"), "[)()]", "")
ind <- str_locate(x, "\\(")
x <- str_remove(x, "\\((\\d){2}\\)")
out <- c(out, str_split(x, "")[[1]])
out[(ind[1, 1]+1):(length(out)+1)] <- out[(ind[1, 1]):length(out)]
out[ind] <- double
} else {
out <- c(out, str_split(x, "")[[1]])
}
if(any(grepl(")", out))) {
out <- out[-which(out == ")")]
}
out
}
# Test
fn("(10)1140006x)")
[1] "10" "1" "1" "4" "0" "0" "0" "6" "x"
然后我们以行操作将其应用于我们的数据集：
df %>%
mutate(linescore = map(linescore, fn)) %>%
unnest_wider(linescore) %>%
rename_with(~ gsub("(\\.\\.\\.)(\\d)", paste0("inng", "\\2"), .), starts_with("...")) %>%
mutate(across(starts_with("inng"), ~ {replace(.x, .x == "x", NA)
as.numeric(.x)}),
inns_count = pmap_dbl(select(cur_data(), starts_with("inng")),
~ sum(!is.na(c(...)))),
inns_sums = pmap_dbl(select(cur_data(), starts_with("inng")),
~ sum(c(...), na.rm = TRUE)))
# A tibble: 5 x 13
team inng1 inng2 inng3 inng4 inng5 inng6 inng7 inng8 inng9 ondate inns_count inns_sums
<chr> <dbl> <dbl> <dbl> <dbl> <dbl> <dbl> <dbl> <dbl> <dbl> <date> <dbl> <dbl>
1 NYM 0 1 0 0 0 0 0 0 0 2020-08-01 9 1
2 NYM 10 1 1 4 0 0 0 6 NA 2020-08-02 8 22
3 BOS 0 0 2 2 0 0 0 1 0 2020-08-13 9 5
4 NYM 0 0 0 0 0 11 0 1 NA 2020-08-15 8 12
5 BOS 3 1 1 2 0 0 NA NA NA 2020-08-20 6 7