tidyr：：Regex萃取物

Question

我有以下数据框架：

df <- data.frame(
  Name= c('AMLOD VALSAR HCT MPH Filmtabl 10+160+25mg 100Stk','ARTHROTEC 50 Bitabs 50+0.2mg 50Stk','GLUCOPHAGE Filmtabl 850mg 100Stk'),
  Aug20Cu= c(1000,1831,7430),
  Sep20Cu= c(899,822, 1000)
) 
 
  Name                                                 Aug20Cu Sep20C
1  AMLOD VALSAR HCT MPH Filmtabl 10+160+25mg 100Stk    1000    899     
2  ARTHROTEC 50 Bitabs 50+0.2mg 50Stk                  1831    822    
3  GLUCOPHAGE Filmtabl 850mg 100Stk                    7430    1000    

我想将第一列“名称”的不同编号提取到单独的列中，从而取得以下结果：

   Name                                              a      b     c    Aug20Cu Sep20C
1  AMLOD VALSAR HCT MPH Filmtabl 10+160+25mg 100Stk  10     160   25   1000    899     
2  ARTHROTEC 50 Bitabs 50+0.2mg 50Stk                50     0.2   NA   1831    822    
3  GLUCOPHAGE Filmtabl 850mg 100Stk                  850    NA    NA   7430    1000    

我尝试了以下代码：

df<-df %>% tidyr::extract(Name,c("a", "b", "c"),'(\\d+(?=\\+))(\\d+(?=\\+))(\\d+(?=mg))',convert=TRUE, remove=FALSE)

或

df<-df %>% tidyr::extract(Name,c("a", "b", "c"),'(\d+(?=\+|mg))',convert=TRUE, remove=FALSE)

我不太理解Regex，因此我不知道自己做错了什么。我尝试在"regex101.com“中创建最后一个Regex代码，它看起来很有效，但是我一在R中尝试它，我就得到了一个奇怪的结果(字符串名的第一个字母)。

Answer 1

library(data.table)
# Make df a data.table
setDT(df)
# Extract the part ending on "mg", split on + sign
temp <- tstrsplit(gsub(".* ([0-9+.]+?)mg.*", "\\1", df$Name), "\\+", perl = TRUE)
df[, letters[1:length(temp)] := temp][]
#                                                Name Aug20Cu Sep20Cu   a    b    c
# 1: AMLOD VALSAR HCT MPH Filmtabl 10+160+25mg 100Stk    1000     899  10  160   25
# 2:               ARTHROTEC 50 Bitabs 50+0.2mg 50Stk    1831     822  50  0.2 <NA>
# 3:                 GLUCOPHAGE Filmtabl 850mg 100Stk    7430    1000 850 <NA> <NA>

Answer 2

一个选项是使用str_extract_all和unnest提取该部分。

library(dplyr)
library(stringr)
library(tidyr)
df %>% 
  mutate(col1 = str_extract_all(Name, "(?<=\\+)[0-9.]+|[0-9.]+(?=\\+|mg)")) %>% 
  unnest_wider(col1) %>%
  rename_with(~ c("a", "b", "c"), starts_with("...")) %>% 
  type.convert(as.is = TRUE)

-output

# A tibble: 3 × 6
  Name                                             Aug20Cu Sep20Cu     a     b     c
  <chr>                                              <int>   <int> <int> <dbl> <int>
1 AMLOD VALSAR HCT MPH Filmtabl 10+160+25mg 100Stk    1000     899    10 160      25
2 ARTHROTEC 50 Bitabs 50+0.2mg 50Stk                  1831     822    50   0.2    NA
3 GLUCOPHAGE Filmtabl 850mg 100Stk                    7430    1000   850  NA      NA