拆分列-但仅当它包含一个或多个特殊字符时

Question

我发现了一些朝这个方向发展的问题，但我无法将解决方案应用于我的特定问题:我有一个相当混乱的数据帧列，其中包含地址。这意味着，可以有空单元格、数字、数字和文本组合在一起-之间可以有一个或多个特殊字符。

在第一步中，我想拆分第一个特殊字符处的所有值。我尝试了各种部分有效的选项。然而，问题似乎是一些单元格不包含任何特殊字符-导致函数中出现错误。

例如，下面的代码只将特殊字符放在新列b中，但并不真正拆分这些列：

df <- df %>% 
separate(address, into = c("a", "b"), sep = "[^[:punct:]]+", remove = FALSE)

所以，理想情况下我想实现的是:如果单元格中有一个特殊字符，在第一个特殊字符处拆分它，在column a中拆分第一个特殊字符的所有剩余部分，在column b中拆分所有正确的部分。如果没有特殊字符，则将整个内容放在column a中，将NA放在column b中。

我必须将我的代码包装在ifelse-statement中吗？或者还有其他的建议吗？

谢谢!

编辑:应要求，以下是一些示例数据：

library(dplyr)

test <- as.data.frame(c("2", "97/7", "17/7-8", "7E", "800E/7", "17", "", "0", "2/15", "17+18", "17/7/8", "19", "2/2/4", "9-7/8")) %>% 
  rename(address = 1)

Answer 1

您可以通过extra = 'merge'和fill = 'right'使用separate

tidyr::separate(test, address, into = c("a", "b"), '[[:punct:]]', 
                extra = 'merge', fill = 'right', remove = FALSE)

#   address    a    b
#1        2    2 <NA>
#2     97/7   97    7
#3   17/7-8   17  7-8
#4       7E   7E <NA>
#5   800E/7 800E    7
#6       17   17 <NA>
#7               <NA>
#8        0    0 <NA>
#9     2/15    2   15
#10   17+18   17   18
#11  17/7/8   17  7/8
#12      19   19 <NA>
#13   2/2/4    2  2/4
#14   9-7/8    9  7/8

Answer 2

在您的正则表达式中使用strsplit是可行的。我们可以把它放在一个lapply中，循环遍历这些列。使用`length<-()`，我们将列表元素的长度调整到最大值，以便能够创建一个data.frame。

r <- el(lapply(test, strsplit, "[[:punct:]]", perl=TRUE))
as.data.frame(t(sapply(r, `length<-`, max(lengths(r)))))
#      V1   V2   V3
# 1     2 <NA> <NA>
# 2    97    7 <NA>
# 3    17    7    8
# 4    7E <NA> <NA>
# 5  800E    7 <NA>
# 6    17 <NA> <NA>
# 7  <NA> <NA> <NA>
# 8     0 <NA> <NA>
# 9     2   15 <NA>
# 10   17   18 <NA>
# 11   17    7    8
# 12   19 <NA> <NA>
# 13    2    2    4
# 14    9    7    8

类似地，我们可以在第一次出现时这样做:我们可以使用sub将第一次出现的内容替换为某个东西，比如"£"，然后在那里拆分它。

test[] <- lapply(test, sub, pat="[[:punct:]]", rep="£")
r <- el(lapply(test, strsplit, "£"))
as.data.frame(t(sapply(r, `length<-`, max(lengths(r)))))
#      V1   V2
# 1     2 <NA>
# 2    97    7
# 3    17  7-8
# 4    7E <NA>
# 5  800E    7
# 6    17 <NA>
# 7  <NA> <NA>
# 8     0 <NA>
# 9     2   15
# 10   17   18
# 11   17  7/8
# 12   19 <NA>
# 13    2  2/4
# 14    9  7/8

Answer 3

这样做是可行的：

library(dplyr)
library(tidyr)
df %>% separate(c1, c('a','b'), sep = '[^A-z0-9_]')
     a    b
1   ab   cd
2   pq   rj
3   xy    z
4 abcd <NA>

使用的数据：

df
     c1
1 ab$cd
2 pq%rj
3  xy#z
4  abcd