split string a intervalli regolari

Question

Mi piacerebbe dividere una stringa a intervalli regolari. La mia domanda è praticamente identica a questa: How to split a string into substrings of a given length? eccetto che ho una colonna di stringhe in un set di dati invece di una sola stringa.

Ecco un set di dati di esempio:

df = read.table(text = " 
my.id X1  
010101 1 
010102 1 
010103 1 
010104 1 
020101 1 
020112 1 
021701 0 
021802 0 
133301 0 
133302 0 
241114 0 
241215 0 
", header = TRUE, colClasses=c('character', 'numeric'), stringsAsFactors = FALSE) 

Ecco il risultato desiderato. Io preferirei di rimuovere gli zeri iniziali, come mostrato:

desired.result = read.table(text = " 
A1 A2 A3 X1 
1 1 1 1 
1 1 2 1 
1 1 3 1 
1 1 4 1 
2 1 1 1 
2 1 12 1 
2 17 1 0 
2 18 2 0 
13 33 1 0 
13 33 2 0 
24 11 14 0 
24 12 15 0 
", header = TRUE, colClasses=c('numeric', 'numeric', 'numeric', 'numeric'), stringsAsFactors = FALSE) 

Ecco un ciclo che sembra avvicinarsi e magari posso usarlo. Tuttavia, penso che ci sia probabilmente un modo più efficiente.

for(i in 1:nrow(df)) { 
    print(substring(df$my.id[i], seq(1, 5, 2), seq(2, 6, 2))) 
} 

Questa apply affermazione non funziona:

apply(df$my.id, 1, function(x) substring(df$my.id[x], seq(1, 5, 2), seq(2, 6, 2)) ) 

Grazie per eventuali suggerimenti. Preferisco una soluzione nella base R.

Answer 1

Trovo che read.fwf applicato ad un textConnection è il più efficiente e facile da capire i vari modi si potrebbe avvicinarsi a questo. Ha il vantaggio del rilevamento automatico della classe integrato nelle funzioni read. *.

cbind(read.fwf(file=textConnection(df$my.id), 
       widths=c(2,2,2), col.names=paste0("A", 1:3)), 
    X1=df$X1) 
#----------- 
    A1 A2 A3 X1 
1 1 1 1 1 
2 1 1 2 1 
3 1 1 3 1 
4 1 1 4 1 
5 2 1 1 1 
6 2 1 12 1 
7 2 17 1 0 
8 2 18 2 0 
9 13 33 1 0 
10 13 33 2 0 
11 24 11 14 0 
12 24 12 15 0 

(credo Ho imparato questo da Gabor Grothendieck su rhelp circa 6 anni fa.)

Se si preferisce una strategia di regex, osservare ciò che inserisce una scheda ogni due posizioni e la esegue tramite read.table. Molto compatto:

read.table(text=gsub('(.{2})','\\1\t',df$my.id)) 
#--------- 
    V1 V2 V3 
1 1 1 1 
2 1 1 2 
3 1 1 3 
4 1 1 4 
5 2 1 1 
6 2 1 12 
7 2 17 1 
8 2 18 2 
9 13 33 1 
10 13 33 2 
11 24 11 14 
12 24 12 15 

Answer 2

Sei quasi arrivato. Cambia la tua apply-sapply o vapply, e cambiare ciò che substring opere:

splt <- sapply(df$my.id, function(x) substring(x, seq(1, 5, 2), seq(2, 6, 2)) ) 
#this will produce the same thing 
splt <- vapply(df$my.id, function(x) substring(x, seq(1, 5, 2), seq(2, 6, 2)),c("","","") ) 
#  010101 010102 010103 010104 020101 020112 021701 021802 133301 133302 241114 241215 
#[1,] "01" "01" "01" "01" "02" "02" "02" "02" "13" "13" "24" "24" 
#[2,] "01" "01" "01" "01" "01" "01" "17" "18" "33" "33" "11" "12" 
#[3,] "01" "02" "03" "04" "01" "12" "01" "02" "01" "02" "14" "15" 

si voleva fare questi numerico. La matrice dovrebbe anche essere trasposta per funzionare con il frame di dati. Siamo in grado di fare entrambe le fasi di:

splt <- apply(splt,1,as.numeric) 
    # [,1] [,2] [,3] 
# [1,] 1 1 1 
# [2,] 1 1 2 
# [3,] 1 1 3 
# [4,] 1 1 4 
# [5,] 2 1 1 
# [6,] 2 1 12 
# [7,] 2 17 1 
# [8,] 2 18 2 
# [9,] 13 33 1 
# [10,] 13 33 2 
# [11,] 24 11 14 
# [12,] 24 12 15 

Ora è necessario mettere questo nuovo insieme con il vecchio telaio di dati. Forse qualcosa come il seguente.

df <- cbind(splt,df) 
# 1 2 3 my.id X1 
#1 1 1 1 010101 1 
#2 1 1 2 010102 1 
#3 1 1 3 010103 1 
#4 1 1 4 010104 1 
#5 2 1 1 020101 1 
#6 2 1 12 020112 1 
#7 2 17 1 021701 0 
#8 2 18 2 021802 0 
#9 13 33 1 133301 0 
#10 13 33 2 133302 0 
#11 24 11 14 241114 0 
#12 24 12 15 241215 0 

È possibile modificare i nomi delle colonne, se necessario, con qualcosa di simile names(df)[1:3] <- c("A1","A2","A3").

Answer 3

Utilizzo di gsub e alcune espressioni regolari. Vorrei fare qualcosa di simile (non molto elegante, ma fare il lavoro)

cbind(
as.numeric(gsub('([0-9]{2})([0-9]{2})([0-9]{2})','\\1',df$my.id)), 
as.numeric(gsub('([0-9]{2})([0-9]{2})([0-9]{2})','\\2',df$my.id)), 
as.numeric(gsub('([0-9]{2})([0-9]{2})([0-9]{2})','\\3',df$my.id)), 
df$X1) 

    [,1] [,2] [,3] [,4] 
[1,] 1 1 1 1 
[2,] 1 1 2 1 
[3,] 1 1 3 1 
[4,] 1 1 4 1 
[5,] 2 1 1 1 
[6,] 2 1 12 1 
[7,] 2 17 1 0 
[8,] 2 18 2 0 
[9,] 13 33 1 0 
[10,] 13 33 2 0 
[11,] 24 11 14 0 
[12,] 24 12 15 0 

EDIT

Ho detto che non è molto elegante, in modo da aggiungere @mnel proposizione:

x <- gsub('([0-9]{2})([0-9]{2})([0-9]{2})','\\1-\\2-\\3',df$my.id) 
do.call(rbind, lapply(strsplit(x,'-'), as.numeric)) 

Answer 4

È anche possibile utilizzare regex per estrarre ciascuna sezione di due cifre.

Ho usato questo in combinazione con str_extract_all da stringr

do.call(rbind,lapply(str_extract_all(as.character(df[['my.id']]), pattern = '[[:digit:]]{2}'), as.numeric))