在 R 中“分隔”列的更简洁选项（也许通过一些正则表达式）？

Question

我有一个数据框，我想在其中分隔包含月份和年份的列：

\n

library(tidyverse)\ndf <- data.frame(\n  month_year = c("Januar / Janvier 1990", "Februar / F\xc3\xa9vrier 1990","M\xc3\xa4rz / Mars 1990")\n)\n\n# df\n#               month_year\n# 1  Januar / Janvier 1990\n# 2 Februar / F\xc3\xa9vrier 1990\n# 3       M\xc3\xa4rz / Mars 1990\n

\n

以下内容有效，但看起来有点笨拙：

\n

df %>% \n  separate(month_year, c("month","nothing","nothing2", "year"), sep = " ") %>%\n  select(-starts_with("nothing"))\n\n#     month year\n# 1  Januar 1990\n# 2 Februar 1990\n# 3    M\xc3\xa4rz 1990\n

\n

是否有更简洁的选择来达到相同的结果？

\n

Answer 1

1) 单独使用 NA 省略不需要的字段，如下所示：

\n

library(tidyr)\n\ndf %>% separate(month_year, c("month", NA, "year"))\n##     month year\n## 1  Januar 1990\n## 2 Februar 1990\n## 3    M\xc3\xa4rz 1990\n

\n

@Otto 指出这在 UTF8 中存在问题。如果这是您的情况，请添加显示的 sep= 值。 separate使用默认值，"[^[:alnum:]]+"它不处理 UTF8，但我们可以指定其中一个：

\n

\n
• "[^\\\\p{L}\\\\d]+"。它替换"[:alnum:]"为"\\\\p{L}"任何语言中的任何字母和"\\\\d"任何数字，或者
\n
• "(*UCP)[^[:alnum:]]+"它使用 unicode 说明符作为前缀
\n

\n

这显示了一个例子。首先，我们创建一个显示问题的输入 df2，然后我们使用上面两个 sep 值之一。

\n

df <- data.frame(\n  month_year = c("Januar / Janvier 1990", "Februar / F\xc3\xa9vrier 1990","M\xc3\xa4rz / Mars 1990"))\ndf2 <- df %>% mutate(month_year = iconv(month_year, to = "UTF8"))\n\ndf2 %>% separate(month_year, c("month", NA, "year"), sep = "[^\\\\p{L}\\\\d]+")\n##     month year\n## 1  Januar 1990\n## 2 Februar 1990\n## 3    M\xc3\xa4rz 1990\n

\n

2）read.table，这是一个基本解决方案：

\n

read.table(text = df[[1]], col.names = c("month", NA, NA, "year"))[-(2:3)]\n##     month year\n## 1  Januar 1990\n## 2 Februar 1990\n## 3    M\xc3\xa4rz 1990\n

\n

3) read.pattern这使用read.pattern挑选出所需的字段。(\\\\w+)捕获第一个单词并(\\\\d+)捕获年份。

\n

library(gsubfn)\n\npat <- "(\\\\w+).* (\\\\d+)"\nread.pattern(text = df[[1]], pattern = pat, col.names = c("month", "year"))\n##     month year\n## 1  Januar 1990\n## 2 Februar 1990\n## 3    M\xc3\xa4rz 1990\n

\n

Answer 2

碱基R

\n

strcapture("^(.*)\\\\s+/.*\\\\s+([^\\\\s]+)$", df$month_year, proto = c(month="", year=1L))\n#     month year\n# 1  Januar 1990\n# 2 Februar 1990\n# 3    M\xc3\xa4rz 1990\n

\n

也许有点笨拙：

\n

setNames(do.call(rbind.data.frame,\n    lapply(strsplit(df$month_year, "\\\\s+"), function(z) z[c(1, length(z))])),\n  c("month", "year"))\n

\n

dplyr

\n

使用不同的正则表达式稍微减少代码：

\n

library(dplyr)\ndf %>%\n  separate(month_year, c("month", "ign", "year"), "[ /]+") %>%\n  select(-ign)\n

\n

或者

\n

df %>%\n  mutate(month_year = gsub("/.* ", "", month_year)) %>%\n  separate(month_year, c("month", "year"), " ")\n

\n