将原始文本转换为数据列的正则表达式

Question

我有一个程序的原始文本输出，我想将其转换为 DataFrame。文本文件未格式化，如下所示。

 10037    149439Special Event       11538.00       13542.59   2004.59
 10070     10071Weekday        8234.00        9244.87   1010.87
 10216     13463Weekend        145.00              0   -145.00

我可以使用基础包中的 readLines() 将数据读取到 R 中。如何将其转换为看起来像这样的数据(列名称可以是任何名称)。

 A        B         C              D              E          F
 10037    149439    Special Event  11538.00       13542.59   2004.59
 10070     10071    Weekday        8234.00         9244.87   1010.87
 10216     13463    Weekend        145.00                0   -145.00

我应该使用什么正则表达式来实现此目的？我知道这是应用 regexec() 和 regmatches() 组合的理想选择。但我无法想出一个表达式将行分割成所需的组件。

Answer 1

这是一个简单的解决方案:

raw <- readLines("filename.txt")
data.frame(do.call(rbind, strsplit(raw, " {2,}|(?<=\\d)(?=[A-Z])", perl = TRUE)))

#       X1     X2            X3       X4       X5      X6
# 1  10037 149439 Special Event 11538.00 13542.59 2004.59
# 2  10070  10071       Weekday  8234.00  9244.87 1010.87
# 3  10216  13463       Weekend   145.00        0 -145.00

正则表达式" {2,}|(?<=\\d)(?=[A-Z])"由两部分组成，结合"|" (逻辑或)。

1. " {2,}"表示至少两个空格。这只会在不同的列之间分割，因为第三列中的文本只有一个空格。
2. "(?<=\\d)(?=[A-Z])"表示前面是数字、后面是大写字母的位置。这用于在第二列和第三列之间进行分割。