根据两个不同的条件拆分一列字符串（具有不同的模式）

Posted 2023-02-14

【中文标题】根据两个不同的条件拆分一列字符串（具有不同的模式）

【英文标题】：Split a column of strings (with different patterns) based on two different conditions

【发布时间】：2022-01-02 09:02:57

【问题描述】：

希望能在这个问题上得到一些帮助。所以我有一列包含两种类型的字符串，我需要使用 2 个不同的条件将字符串拆分为多列。我可以弄清楚如何单独拆分它们，但很难在我的代码中添加一个 IF 语句。这是下面的示例数据集：

data = data.frame(string=c("HFUFN-087836_661", "207465-125 - IK_6 Mar 2009.docx_37484956"))

对于第一种类型的变量（带有_）。我想在_之后拆分。所以我为此使用了以下代码

strsplit(data$string, "-")

对于其中包含 .docx 的变量，我想在 docx 之后拆分。我不能根据“_”进行拆分，因为它在这个字符串中多次出现。所以我使用了以下代码：

strsplit(data$string, "x_")

我的问题是这两种类型的字符串都出现在同一列中。有没有办法告诉R“docx”是否在字符串中，然后在x_之后拆分，但如果它没有在_上拆分？

任何帮助将不胜感激 - 谢谢你们！

【参考方案1】：

这是tidyr 解决方案：

library(tidyr)
data %>%
extract(string,
        into = c("1","2"),    # choose your own column labels
        "(.*?)_([^_]+)$")
                                1        2
1                    HFUFN-087836      661
2 207465-125 - IK_6 Mar 2009.docx 37484956

正则表达式的工作原理：

正则表达式将字符串分成两个“捕获组”加上中间的下划线：

(.*?)：第一个捕获组，匹配任意字符 (.) 零次或多次 (*) 非贪婪 (?) _：文字下划线 ([^_]+)$：第二个捕获组，匹配字符串末尾 ($) 一次或多次 (+) 的任何

非

下划线 ([^_]) 字符

数据：

data = data.frame(string=c("HFUFN-087836_661", "207465-125 - IK_6 Mar 2009.docx_37484956"))

【讨论】：

嘿，这有效 - 非常感谢。如果它不是太多的工作，你能解释一下你是怎么做到的吗？我不太明白这部分：“”(.*?)_([^_]+)$")”。非常感谢！

已经解释了正则表达式部分的工作原理