r - 如何将一列字符串转换为因子列表，使用正则表达式过滤值

Question

我有一个数据框，其列 (A) 包含字符串，每个单词都用逗号分隔(仍然是一个字符串)。

   Df
   A                              B           etc.
   "String1, String2, etc."      ...          etc.

我要

1. 将 A 列中的观察值转换为列表。该列表将包含元素字符串 1、字符串 2 等。

2. 我想删除所有长度不是 8 个字符、以 4 个数字开头和以 4 位数字结尾的字符串(我已经有了正则表达式)

3. 我想把所有的字符串都变成因子

最终产品应该是这样的

   Df
   A                              B           etc.
   [String1, String2, etc]       ...          etc.

做一些测试，我意识到 strsplit() 和 str_subset 的组合满足要求 1 和 2

   var = "ABCD1234, ABCDEFGH"
   var = str_split(var, ", ")
   var = str_subset(var, "^[A-Za-z]{4}\\d{4}$")
   # Var = list("ABCD1234")

但我无法将其应用于数据框列。到目前为止，这还没有奏效

    df = df %>% mutate(
         A = strsplit(A, split = ", ")
         A = case_when(
             TRUE ~ str_subset(A, "^[A-Za-z]{4}\\d{4}$")
             )
         )

有人可以帮忙吗？谢谢

Answer 1

我们可以结合这两个步骤，首先在 ", " 上拆分字符串，然后使用 str_subset 获取遵循某种模式的字符串。

library(tidyverse)
df %>%
  mutate(new = str_split(A, ", "), 
         new = map(new, str_subset, pattern = "^[A-Za-z]{4}\\d{4}$"))

#                   A                new
#1 ABCD1234, ABCDEFGH           ABCD1234
#2    AQD12345, AQWE1                   
#3 ABCD1234, ABCD5678 ABCD1234, ABCD5678

---

我们也可以在 base R 中做到这一点

df$new <- lapply(strsplit(df$A, ", "), grep, 
                 pattern = "^[A-Za-z]{4}\\d{4}$", value = TRUE)

数据

df <- data.frame(A = c("ABCD1234, ABCDEFGH", "AQD12345, AQWE1", 
                       "ABCD1234, ABCD5678"), stringsAsFactors = FALSE)