R 使用 tidyr::separate 在最后一个空格字符处拆分字符串

Posted 2023-02-14

【中文标题】R 使用 tidyr::separate 在最后一个空格字符处拆分字符串

【英文标题】：R split string at last whitespace chars using tidyr::separate

【发布时间】：2015-11-14 04:43:39

【问题描述】：

假设我有一个这样的数据框：

df<-data.frame(a=c("AA","BB"),b=c("short string","this is the longer string"))

我想根据最后出现的空格使用正则表达式拆分每个字符串。 我试过了：

library(dplyr)
library(tidyr)
df%>%
  separate(b,c("partA","partB"),sep=" [^ ]*$")

但这省略了输出中字符串的第二部分。我想要的输出如下所示：

   a              partA  partB
1 AA              short string
2 BB this is the longer string

我该怎么做。如果我可以为此使用 tidyr 和 dplyr 那就太好了。

【参考方案1】：

我们可以通过捕获组 ((...)) 使用来自 tidyr 的 extract。我们匹配零个或多个字符 (.*) 并将其放在括号内 ((.*))，然后是零个或多个空格 (\\s+)，然后是下一个捕获组，其中仅包含非空格字符([^ ]) 直到字符串的结尾 ($)。

library(tidyr)
extract(df, b, into = c('partA', 'partB'), '(.*)\\s+([^ ]+)$')
#   a              partA  partB
#1 AA              short string
#2 BB this is the longer string

【参考方案2】：

您可以将正则表达式的[^ ]*$ 部分转换为(?=[^ ]*$) 非消耗模式，positive lookahead（不会消耗字符串末尾的非空白字符，即它们不会被放入匹配值中，因此将留在输出中）：

df%>%
  separate(b,c("partA","partB"),sep=" (?=[^ ]*$)")

或者，更通用一点，因为它匹配任何空白字符：

df %>%
  separate(b,c("partA","partB"),sep="\\s+(?=\\S*$)")

查看regex demo 及其下图：

输出：

   a              partA  partB
1 AA              short string
2 BB this is the longer string