сплит-строка с регулярными интервалами

Question

Я хотел бы разделить строку через регулярные интервалы. Мой вопрос практически идентичен этому: How to split a string into substrings of a given length? за исключением того, что у меня есть столбец строк в наборе данных вместо одной строки.

Ниже приведен пример набора данных:

df = read.table(text = " 
my.id X1  
010101 1 
010102 1 
010103 1 
010104 1 
020101 1 
020112 1 
021701 0 
021802 0 
133301 0 
133302 0 
241114 0 
241215 0 
", header = TRUE, colClasses=c('character', 'numeric'), stringsAsFactors = FALSE) 

Здесь желаемый результат. Я бы предпочел, чтобы удалить начальные нули, как показано ниже:

desired.result = read.table(text = " 
A1 A2 A3 X1 
1 1 1 1 
1 1 2 1 
1 1 3 1 
1 1 4 1 
2 1 1 1 
2 1 12 1 
2 17 1 0 
2 18 2 0 
13 33 1 0 
13 33 2 0 
24 11 14 0 
24 12 15 0 
", header = TRUE, colClasses=c('numeric', 'numeric', 'numeric', 'numeric'), stringsAsFactors = FALSE) 

Вот цикл, кажется, близки и, возможно, я могу использовать его. Тем не менее, я думаю, что, вероятно, более эффективный способ.

for(i in 1:nrow(df)) { 
    print(substring(df$my.id[i], seq(1, 5, 2), seq(2, 6, 2))) 
} 

apply Это утверждение не работает:

apply(df$my.id, 1, function(x) substring(df$my.id[x], seq(1, 5, 2), seq(2, 6, 2)) ) 

Благодарим Вас за любые предложения. Я предпочитаю решение в базе R.

Answer 1

Я считаю, что read.fwf применяется к textConnection является наиболее эффективным и легким для понимания различных способов один мог подойти к этому. Это имеет преимущество автоматического обнаружения класса, встроенного в функции read. *.

cbind(read.fwf(file=textConnection(df$my.id), 
       widths=c(2,2,2), col.names=paste0("A", 1:3)), 
    X1=df$X1) 
#----------- 
    A1 A2 A3 X1 
1 1 1 1 1 
2 1 1 2 1 
3 1 1 3 1 
4 1 1 4 1 
5 2 1 1 1 
6 2 1 12 1 
7 2 17 1 0 
8 2 18 2 0 
9 13 33 1 0 
10 13 33 2 0 
11 24 11 14 0 
12 24 12 15 0 

(Я считаю, что я узнал об этом от Габора Гротендика на Rhelp около 6 лет назад.)

Если вы предпочитаете стратегию регулярных выражений, посмотрите на это, что вставляет вкладку каждые две позиции и запускает ее через read.table. Очень компактный:

read.table(text=gsub('(.{2})','\\1\t',df$my.id)) 
#--------- 
    V1 V2 V3 
1 1 1 1 
2 1 1 2 
3 1 1 3 
4 1 1 4 
5 2 1 1 
6 2 1 12 
7 2 17 1 
8 2 18 2 
9 13 33 1 
10 13 33 2 
11 24 11 14 
12 24 12 15 

Answer 2

Вы почти у цели. Измените ваш apply к sapply или vapply, и изменить то, что substring работы по:

splt <- sapply(df$my.id, function(x) substring(x, seq(1, 5, 2), seq(2, 6, 2)) ) 
#this will produce the same thing 
splt <- vapply(df$my.id, function(x) substring(x, seq(1, 5, 2), seq(2, 6, 2)),c("","","") ) 
#  010101 010102 010103 010104 020101 020112 021701 021802 133301 133302 241114 241215 
#[1,] "01" "01" "01" "01" "02" "02" "02" "02" "13" "13" "24" "24" 
#[2,] "01" "01" "01" "01" "01" "01" "17" "18" "33" "33" "11" "12" 
#[3,] "01" "02" "03" "04" "01" "12" "01" "02" "01" "02" "14" "15" 

Вы хотели, чтобы эти цифры. Матрица также должна быть транспонирована для работы с фреймом данных. Мы можем сделать оба этапа с:

splt <- apply(splt,1,as.numeric) 
    # [,1] [,2] [,3] 
# [1,] 1 1 1 
# [2,] 1 1 2 
# [3,] 1 1 3 
# [4,] 1 1 4 
# [5,] 2 1 1 
# [6,] 2 1 12 
# [7,] 2 17 1 
# [8,] 2 18 2 
# [9,] 13 33 1 
# [10,] 13 33 2 
# [11,] 24 11 14 
# [12,] 24 12 15 

Теперь вам нужно вернуть это вместе со старым фреймом данных. Возможно, что-то вроде следующего.

df <- cbind(splt,df) 
# 1 2 3 my.id X1 
#1 1 1 1 010101 1 
#2 1 1 2 010102 1 
#3 1 1 3 010103 1 
#4 1 1 4 010104 1 
#5 2 1 1 020101 1 
#6 2 1 12 020112 1 
#7 2 17 1 021701 0 
#8 2 18 2 021802 0 
#9 13 33 1 133301 0 
#10 13 33 2 133302 0 
#11 24 11 14 241114 0 
#12 24 12 15 241215 0 

Вы можете изменить имена столбцов по мере необходимости, с чем-то вроде names(df)[1:3] <- c("A1","A2","A3").

Answer 3

Использование gsub и некоторые регулярные выражения. Я хотел бы сделать что-то вроде этого (не очень элегантный, но сделать работу)

cbind(
as.numeric(gsub('([0-9]{2})([0-9]{2})([0-9]{2})','\\1',df$my.id)), 
as.numeric(gsub('([0-9]{2})([0-9]{2})([0-9]{2})','\\2',df$my.id)), 
as.numeric(gsub('([0-9]{2})([0-9]{2})([0-9]{2})','\\3',df$my.id)), 
df$X1) 

    [,1] [,2] [,3] [,4] 
[1,] 1 1 1 1 
[2,] 1 1 2 1 
[3,] 1 1 3 1 
[4,] 1 1 4 1 
[5,] 2 1 1 1 
[6,] 2 1 12 1 
[7,] 2 17 1 0 
[8,] 2 18 2 0 
[9,] 13 33 1 0 
[10,] 13 33 2 0 
[11,] 24 11 14 0 
[12,] 24 12 15 0 

EDIT

Я сказал, что это не очень элегантно, так что я добавить @mnel предложение:

x <- gsub('([0-9]{2})([0-9]{2})([0-9]{2})','\\1-\\2-\\3',df$my.id) 
do.call(rbind, lapply(strsplit(x,'-'), as.numeric)) 

Answer 4

Вы также можете использовать regex для извлечения каждой двузначной секции.

Я использовал это в сочетании с str_extract_all из stringr

do.call(rbind,lapply(str_extract_all(as.character(df[['my.id']]), pattern = '[[:digit:]]{2}'), as.numeric))