regex - 使用 tidyr::extract regex 将字符串分成几列

Question

我正在尝试使用 R 中的正则表达式将字符串向量分解为多个变量，最好使用 tidyr::extract 命令以 dplyr-tidyr 方式。例如在下面的向量中:

sasdic <- data.frame(a=c(
  '@1   ANO_CENSO   5.  /*Ano do Censo*/',
  '@71  TP_SEXO $Char1. /*Sexo*/',
  '@72  TP_COR_RACA $Char1. /*Cor/raça*/',
  '@74  FK_COD_PAIS_ORIGEM  4.  /*Código País de origem*/' )) 

我想要:

转到变量“int_pos”的第一个数字 ([0-9]+)

由下划线 ([a-zA-Z_]+) 连接到变量“var_name”的变量名

第二个数字或术语 $Char1(可能是 $Char2 等)转到 var "x"。我想 ([0-9]+|$Char[0-9]+) 可以选择这个吗？

最后，“/* .../”之间的任何内容都可以转到变量“标签”(不知道此正则表达式)。
所有其他中间字符(空格、"."、"/"、""不应考虑)

这将是结果

d <- data.frame(int_pos=c(1,72,72,74),
                var_name=c('ANO_CENSO','TP_SEXO','TP_COR_RACA','FK_COD_PAIS_ORIGEM'),
                x=c('5','Chart1','$Char1','4'),
                label=c('Ano do Censo','Sexo','Cor/raça','Código País de origem') )

我试图为此构建一个正则表达式。这是我到目前为止得到的:

sasdic %>% extract(a, c('int_pos','var_name','x','label'), 
                   "([0-9]+)([a-zA-Z_]+)([0-9]+|$Char[0-9]+)(something to get the label") 
             -> d

上面的正则表达式是不完整的。另外，我不知道在提取命令语法中要明确说明哪些部分要恢复，哪些部分要省略。

Answer 1

这是另一种选择，尽管它使用 data.table 包而不是 tidyr:

library(data.table)
setDT(sasdic)

# split label
sasdic[, c("V1","label") := tstrsplit(a, "/\\*|\\*/")]                   
# remove leading "@", split remaining parts
sasdic[, c("int_pos","var_name","x") := tstrsplit(gsub("^@","",V1)," +")]
# remove unneeded columns
sasdic[, c("a","V1") := NULL]                                            

sasdic

#                    label int_pos           var_name       x
# 1:          Ano do Censo       1          ANO_CENSO      5.
# 2:                  Sexo      71            TP_SEXO $Char1.
# 3:              Cor/raça      72        TP_COR_RACA $Char1.
# 4: Código País de origem      74 FK_COD_PAIS_ORIGEM      4.

这假设“剩余部分”(标签除外)是空格分隔的。

这也可以在一个块中完成(这就是我要做的):

sasdic[, c("a","label","int_pos","var_name","x") := {
  x   = tstrsplit(a, "/\\*|\\*/")
  x1s = tstrsplit(gsub("^@","",x[[1]])," +")
  c(list(NULL), x1s, x[2])
}]