不丢失字符的字符串拆分 - R

Question

我有一个非常大的数据框，其中有两列数据很难拆分。以前我使用strsplit来拆分使用“空格”，“,”或其他分隔符的数据。但这次很困难，因为我不想丢失任何信息，并且当我拆分某些部分时，可能会遗漏一些信息。最终，我希望能够得到四个列。以下是现在的几行样本。

age-gen  surv-camp
45M      1LC
9F       0
12M      1AC
67M      1LC

我希望您最终能够达到以下目标。

age   gen   surv   camp
45    M     1      LC
9     F     0      
12    M     1      AC
67    M     1      LC

我在这里进行了相当多的搜索，并找到了一些Java、C++、html等方面的响应，但我没有发现任何关于如何在R中处理缺失数据的说明。

我看到这个网页提到在值之间添加一个空格，然后只需在空格上拆分，但我不知道如何解决以下问题：1）缺失数据，2）每行中没有一致的数字或字符值。

- Sam Marshal

---

你仍然可以使用strsplit()函数，并通过使用perl保存分割值。你的代码是什么？ - Rich Scriven

Answer 1

我们遍历'df1'的列 (lapply(df1, ..)，使用sub在数字子字符串后创建分隔符，使用read.table将vector读取为data.frame，rbind data.frames列表，并更改输出的列名称。

res <- do.call(cbind, lapply(df1, function(x)
      read.table(text=sub("(\\d+)", "\\1,", x), 
          header=FALSE, sep=",", stringsAsFactors=FALSE)))
colnames(res) <- scan(text=names(df1), sep=".", what="", quiet = TRUE)
res
#  age gen surv camp
#1  45   M    1   LC
#2   9   F    0     
#3  12   M    1   AC
#4  67   M    1   LC

或者使用tidyr中的separate函数。

library(tidyr)
library(dplyr)
separate(df1, age.gen, into = c("age", "gen"), "(?<=\\d)(?=[A-Za-z])", convert= TRUE) %>% 
       separate(surv.camp, into = c("surv", "camp"), "(?<=\\d)(?=[A-Za-z])", convert = TRUE)
#  age gen surv camp
#1  45   M    1   LC
#2   9   F    0 <NA>
#3  12   M    1   AC
#4  67   M    1   LC

或者，正如@Frank提到的那样，我们可以使用data.table中的tstrsplit函数。

library(data.table)
setDT(df1)[, unlist(lapply(.SD, function(x) 
    tstrsplit(x, "(?<=[0-9])(?=[a-zA-Z])", perl=TRUE, 
                        type.convert=TRUE)), recursive = FALSE)]

编辑：在separate中添加了convert = TRUE，以改变分割后列的type。

数据

df1 <- structure(list(age.gen = c("45M", "9F", "12M", "67M"), surv.camp = c("1LC", 
 "0", "1AC", "1LC")), .Names = c("age.gen", "surv.camp"), 
class = "data.frame", row.names = c(NA, -4L))

- akrun

---

使用 separate 完美解决了问题。谢谢。我还没有成功地适应第一个建议，但我会使用你在开头写出的逻辑，看看是否能够成功。 - Sam Marshal

@SamMarshal 或许你的原始数据集中存在一些与你展示的不匹配的模式。 - akrun

也许值得展示一下 data.table 的方法，它具有很好的 type.convert 特性（不确定 separate 是否有）：data.table::tstrsplit(x, "(?<=[0-9])(?=[a-zA-Z])", perl=TRUE, type.convert=TRUE)。 - Frank

@akrun 那也是我的想法，所以我会逐步审查逻辑，看看是否能找到哪里出了问题。 - Sam Marshal

@Frank 是的，separate 也有那个选项，但默认情况下是 FALSE。 - akrun