R: удаление последних трех точек из строки

Question

У меня есть файл текстовых данных, который я, скорее всего, буду читать с readLines. Начальная часть каждой строки содержит много тарабарщины, за которыми следуют нужные мне данные. Таблетка и данные обычно разделяются тремя точками. Я хотел бы разбить строки после трех последних точек или заменить последние три точки маркером некоторого типа, говорящим R, чтобы лечить все слева от этих трех точек как один столбец.

Вот аналогичный пост на Stackoverflow, что будет найти последнюю точку:

R: Find the last dot in a string

Однако в моем случае некоторые данные имеют десятичные, поэтому местонахождение последней точки не будет достаточно. Кроме того, я думаю, что ... имеет особое значение в R, что может усложнить проблему. Другим потенциальным осложнением является то, что некоторые из точек больше других. Кроме того, в некоторых строках одна из трех точек была заменена запятой.

В дополнение к gregexpr в сообщении выше Я попытался использовать gsub, но не могу решить, решение.

Вот Подайте пример данные и результат я надеюсь достичь:

aa = matrix(c(
'first string of junk... 0.2 0 1', 
'next string ........2 0 2', 
'%%%... ! 1959 ... 0 3 3', 
'year .. 2 .,. 7 6 5', 
'this_string is . not fine .•. 4 2 3'), 
nrow=5, byrow=TRUE, 
dimnames = list(NULL, c("C1"))) 

aa <- as.data.frame(aa, stringsAsFactors=F) 
aa 

# desired result 
#        C1 C2 C3 C4 
# 1  first string of junk 0.2 0 1 
# 2   next string ..... 2 0 2 
# 3    %%%... ! 1959  0 3 3 
# 4     year .. 2  7 6 5 
# 5 this_string is . not fine 4 2 3 

Я надеюсь, что этот вопрос не рассматривается слишком специфичен. Файл текстовых данных был создан с помощью шагов, описанных в моем сообщении со вчерашнего дня о чтении файла MSWord в R.

Некоторые из строк не содержат тарабарщины или трех точек, а только данные. Однако это может быть осложнением для последующей публикации.

Благодарим за любые советы.

Answer 1

Это трюк, хотя и не особенно элегантный ...

options(stringsAsFactors = FALSE) 


# Search for three consecutive characters of your delimiters, then pull out 
# all of the characters after that 
# (in parentheses, represented in replace by \\1) 
nums <- as.vector(gsub(aa$C1, pattern = "^.*[.,•]{3}\\s*(.*)", replace = "\\1")) 

# Use strsplit to break the results apart at spaces and just get the numbers 
# Use unlist to conver that into a bare vector of numbers 
# Use matrix(, nrow = length(x)) to convert it back into a 
# matrix of appropriate length 
num.mat <- do.call(rbind, strsplit(nums, split = " ")) 


# Mash it back together with your original strings 
result <- as.data.frame(cbind(aa, num.mat)) 

# Give it informative names 
names(result) <- c("original.string", "num1", "num2", "num3") 

Answer 2

Реверс строка
Реверс шаблон, которую Вы ищете, если это необходимо, - это не в вашем случае
Обратный результат

[хайку-псевдокод]

a = 'first string of junk... 0.2 0 1' // string to search 
b = 'junk' // pattern to match 

ra = reverseString(a) // now equals '1 0 2.0 ...knuj fo gnirts tsrif' 
rb = reverseString (b) // now equals 'knuj' 

// run your regular expression search/replace - search in 'ra' for 'rb' 
// put the result in rResult 
// and then unreverse the result 
// apologies for not knowing the syntax for 'R' regex 

[/ haiku-pseudocode]

Answer 3

Это поможет вам большую часть пути там, и у него не будет никаких проблем с номерами, которые включают в себя запятые:

# First, use a regex to eliminate the bad pattern. This regex 
# eliminates any three-character combination of periods, commas, 
# and big dots (•), so long as the combination is followed by 
# 0-2 spaces and then a digit. 
aa.sub <- as.matrix(
    apply(aa, 1, function (x) 
    gsub('[•.,]{3}(\\s{0,2}\\d)', '\\1', x, perl = TRUE))) 

# Second: it looks as though you want your data split into columns. 
# So this regex splits on spaces that are (a) preceded by a letter, 
# digit, or space, and (b) followed by a digit. The result is a 
# list, each element of which is a list containing the parts of 
# one of the strings in aa. 
aa.list <- apply(aa.sub, 1, function (x) 
    strsplit(x, '(?<=[\\w\\d\\s])\\s(?=\\d)', perl = TRUE)) 

# Remove the second element in aa. There is no space before the 
# first data column in this string. As a result, strsplit() split 
# it into three columns, not 4. That in turn throws off the code 
# below. 
aa.list <- aa.list[-2] 

# Make the data frame. 
aa.list <- lapply(aa.list, unlist) # convert list of lists to list of vectors 
aa.df <- data.frame(aa.list)  
aa.df <- data.frame(t(aa.df), row.names = NULL, stringsAsFactors = FALSE) 

Оставшийся Единственное, чтобы изменить регулярное выражение для strsplit() так что это может обрабатывать вторую строку в aa. Или, может быть, лучше просто обрабатывать такие случаи вручную.