将数据框中的字符串列拆分为多个不同的列

Question

我想要实现的是将一列拆分成多列。我希望第一列包含“F”，第二列为“US”，第三列为“CA6”或“DL”，第四列为“Z13”或“U13”等等。我的整个数据框都遵循X.XX.XXXX.XXX或X.XX.XXX.XXX或X.XX.XX.XXX的相同模式，我知道问题在于第三列由于长度不同而有所不同。过去我只使用了substr函数，在这里我可以使用一些if语句来解决，但我想学习如何使用stringr包和POSIX来完成这个任务（除非有更好的选择）。谢谢。

这是我的df：

c("F.US.CLE.V13", "F.US.CA6.U13", "F.US.CA6.U13", "F.US.CA6.U13", 
"F.US.CA6.U13", "F.US.CA6.U13", "F.US.CA6.U13", "F.US.CA6.U13", 
"F.US.DL.U13", "F.US.DL.U13", "F.US.DL.U13", "F.US.DL.Z13", "F.US.DL.Z13"
)

- Tim

Answer 1

一种非常直接的方法就是在你的字符向量上使用read.table：

> read.table(text = text, sep = ".", colClasses = "character")
   V1 V2  V3  V4
1   F US CLE V13
2   F US CA6 U13
3   F US CA6 U13
4   F US CA6 U13
5   F US CA6 U13
6   F US CA6 U13
7   F US CA6 U13
8   F US CA6 U13
9   F US  DL U13
10  F US  DL U13
11  F US  DL U13
12  F US  DL Z13
13  F US  DL Z13

colClasses需要被指定，否则F会被转换成FALSE（这是我在“splitstackshape”中需要修复的问题，否则我会推荐这个 :)）

---

更新（>一年后）...

或者，您可以使用我的cSplit函数，像这样：

cSplit(as.data.table(text), "text", ".")
#     text_1 text_2 text_3 text_4
#  1:      F     US    CLE    V13
#  2:      F     US    CA6    U13
#  3:      F     US    CA6    U13
#  4:      F     US    CA6    U13
#  5:      F     US    CA6    U13
#  6:      F     US    CA6    U13
#  7:      F     US    CA6    U13
#  8:      F     US    CA6    U13
#  9:      F     US     DL    U13
# 10:      F     US     DL    U13
# 11:      F     US     DL    U13
# 12:      F     US     DL    Z13
# 13:      F     US     DL    Z13

或者像这样从 "tidyr" 中 分离：

library(dplyr)
library(tidyr)

as.data.frame(text) %>% separate(text, into = paste("V", 1:4, sep = "_"))
#    V_1 V_2 V_3 V_4
# 1    F  US CLE V13
# 2    F  US CA6 U13
# 3    F  US CA6 U13
# 4    F  US CA6 U13
# 5    F  US CA6 U13
# 6    F  US CA6 U13
# 7    F  US CA6 U13
# 8    F  US CA6 U13
# 9    F  US  DL U13
# 10   F  US  DL U13
# 11   F  US  DL U13
# 12   F  US  DL Z13
# 13   F  US  DL Z13

- A5C1D2H2I1M1N2O1R2T1

---

+1 <facepalm> 该死的安南达，你让我感到很蠢。 :-) - Simon O'Hanlon

你是不是指的是 shapeshifter 而不是 splitstackshape？ - Simon O'Hanlon

哇。这太简单了。 - Tim

shapeshifter或者shapeshiftR更酷。 - Tyler Rinker

现在，勾选标记是你的了！ - Simon O'Hanlon

Answer 2

这是你想要做的吗？

# Our data
text <- c("F.US.CLE.V13", "F.US.CA6.U13", "F.US.CA6.U13", "F.US.CA6.U13", 
"F.US.CA6.U13", "F.US.CA6.U13", "F.US.CA6.U13", "F.US.CA6.U13", 
"F.US.DL.U13", "F.US.DL.U13", "F.US.DL.U13", "F.US.DL.Z13", "F.US.DL.Z13"
)

#  Split into individual elements by the '.' character
#  Remember to escape it, because '.' by itself matches any single character
elems <- unlist( strsplit( text , "\\." ) )

#  We know the dataframe should have 4 columns, so make a matrix
m <- matrix( elems , ncol = 4 , byrow = TRUE )

#  Coerce to data.frame - head() is just to illustrate the top portion
head( as.data.frame( m ) )
#  V1 V2  V3  V4
#1  F US CLE V13
#2  F US CA6 U13
#3  F US CA6 U13
#4  F US CA6 U13
#5  F US CA6 U13
#6  F US CA6 U13

- Simon O'Hanlon

---

这正是我一直在寻找的！而且像R这样的编程语言有很多方法可以实现。感谢您的帮助。只需使用合并命令将新的df合并回我的主要df即可？ - Tim

@Tim，没有看到你的数据框架结构，有点难以讲述，但是你可以试一试看看是否有效？否则，你可以编辑你的问题，把dput(head(df))的输出粘贴进来，这样可靠性会更高！ :-) - Simon O'Hanlon

我所需要的只是unlist()函数。谢谢 - Amit Kohli

感谢您对代码进行注释。注释“记得转义它，因为'.'本身匹配任何单个字符”帮助我解决了我的问题。非常感谢 :) - Sriram

Answer 3

通过`unlist`和`matrix`的方法似乎有些复杂，并且需要硬编码元素的数量（这实际上是一个非常不好的做法。当然，你可以绕开硬编码这个数字并在运行时确定它）。我会选择另一种方法，直接从`strsplit`返回的列表中构建数据框架。对我来说，这在概念上更简单。实际上有两种基本方法：

1. as.data.frame – but since the list is exactly the wrong way round (we have a list of rows rather than a list of columns) we have to transpose the result. We also clear the rownames since they are ugly by default (but that’s strictly unnecessary!):

   `rownames<-`(t(as.data.frame(strsplit(text, '\\.'))), NULL)
   

2. Alternatively, use rbind to construct a data frame from the list of rows. We use do.call to call rbind with all the rows as separate arguments:

   do.call(rbind, strsplit(text, '\\.'))
   

两种方法都可以得到相同的结果：

     [,1] [,2] [,3]  [,4]
[1,] "F"  "US" "CLE" "V13"
[2,] "F"  "US" "CA6" "U13"
[3,] "F"  "US" "CA6" "U13"
[4,] "F"  "US" "CA6" "U13"
[5,] "F"  "US" "CA6" "U13"
[6,] "F"  "US" "CA6" "U13"
…

显然，第二种方式比第一种更简单。

- Konrad Rudolph

---

并且需要你硬编码元素的数量（这实际上是一个相当大的不可取之处），但列数已在 OP 中给出和指定，所以我对此没有什么问题。不过还有一些不错的替代方案。+1 - Simon O'Hanlon

事实上，我非常喜欢do.call(rbind, strsplit(text, '\\.'))。 - Simon O'Hanlon

Answer 4

我们可以使用 tidyr::extract()。

x <- c("F.US.CLE.V13", "F.US.CA6.U13", "F.US.CA6.U13", "F.US.CA6.U13", 
  "F.US.CA6.U13", "F.US.CA6.U13", "F.US.CA6.U13", "F.US.CA6.U13", 
  "F.US.DL.U13", "F.US.DL.U13", "F.US.DL.U13", "F.US.DL.Z13", "F.US.DL.Z13"
)


library(tidyr)
extract(tibble(data=x),"data", regex = "^(.*?)\\.(.*?)\\.(.*?)\\.(.*?)$",into = LETTERS[1:4])
#> # A tibble: 13 x 4
#>    A     B     C     D    
#>    <chr> <chr> <chr> <chr>
#>  1 F     US    CLE   V13  
#>  2 F     US    CA6   U13  
#>  3 F     US    CA6   U13  
#>  4 F     US    CA6   U13  
#>  5 F     US    CA6   U13  
#>  6 F     US    CA6   U13  
#>  7 F     US    CA6   U13  
#>  8 F     US    CA6   U13  
#>  9 F     US    DL    U13  
#> 10 F     US    DL    U13  
#> 11 F     US    DL    U13  
#> 12 F     US    DL    Z13  
#> 13 F     US    DL    Z13

另一个选择是使用unglue::unglue_data()。

# remotes::install_github("moodymudskipper/unglue")
library(unglue)
unglue_data(x,"{A}.{B}.{C}.{D}")
#>    A  B   C   D
#> 1  F US CLE V13
#> 2  F US CA6 U13
#> 3  F US CA6 U13
#> 4  F US CA6 U13
#> 5  F US CA6 U13
#> 6  F US CA6 U13
#> 7  F US CA6 U13
#> 8  F US CA6 U13
#> 9  F US  DL U13
#> 10 F US  DL U13
#> 11 F US  DL U13
#> 12 F US  DL Z13
#> 13 F US  DL Z13

^{这段内容是由reprex包（v0.3.0）于2019年9月14日创建的。}

- moodymudskipper