R: usuwanie ostatnich trzech kropek z ciągu

Question

Mam plik danych tekstowych, który prawdopodobnie będę czytać z readLines. Początkowa część każdego łańcucha zawiera dużo bełkotania, po którym znajdują się dane, których potrzebuję. Brzęczenie i dane są zwykle oddzielone trzema kropkami. Chciałbym podzielić struny po ostatnich trzech kropkach, lub zamienić ostatnie trzy kropki na marker oznaczający R, aby traktować wszystko po lewej stronie tych trzech kropek jako jedną kolumnę.

Oto podobny post Stackoverflow że zlokalizuje ostatnią kropkę:

R: Find the last dot in a string

Jednak w moim przypadku niektóre dane mają dziesiętne, więc lokalizowanie ostatnią kropkę nie wystarczy. Ponadto, myślę, że ... ma specjalne znaczenie w R, co może komplikować problem. Kolejną potencjalną komplikacją jest to, że niektóre kropki są większe niż inne. W niektórych liniach jedna z trzech kropek została zastąpiona przecinkiem.

Poza postacią gregexpr w powyższym wpisie próbowałem użyć gsub, ale nie mogę znaleźć rozwiązania.

Oto dawać przykład dane, a wynik mam nadzieję osiągnąć:

aa = matrix(c(
'first string of junk... 0.2 0 1', 
'next string ........2 0 2', 
'%%%... ! 1959 ... 0 3 3', 
'year .. 2 .,. 7 6 5', 
'this_string is . not fine .•. 4 2 3'), 
nrow=5, byrow=TRUE, 
dimnames = list(NULL, c("C1"))) 

aa <- as.data.frame(aa, stringsAsFactors=F) 
aa 

# desired result 
#        C1 C2 C3 C4 
# 1  first string of junk 0.2 0 1 
# 2   next string ..... 2 0 2 
# 3    %%%... ! 1959  0 3 3 
# 4     year .. 2  7 6 5 
# 5 this_string is . not fine 4 2 3 

Mam nadzieję, że kwestia ta nie jest uważana za zbyt szczegółowe. Plik danych tekstowych został utworzony za pomocą kroków opisanych w moim poście z wczoraj na temat odczytu pliku MSWord w R.

Niektóre linie nie zawierają bełkotu lub trzech kropek, ale tylko dane. Może to jednak być komplikacją dla postu uzupełniającego.

Dziękuję za radę.

Answer 1

To działa, chociaż nie jest szczególnie eleganckie ...

options(stringsAsFactors = FALSE) 


# Search for three consecutive characters of your delimiters, then pull out 
# all of the characters after that 
# (in parentheses, represented in replace by \\1) 
nums <- as.vector(gsub(aa$C1, pattern = "^.*[.,•]{3}\\s*(.*)", replace = "\\1")) 

# Use strsplit to break the results apart at spaces and just get the numbers 
# Use unlist to conver that into a bare vector of numbers 
# Use matrix(, nrow = length(x)) to convert it back into a 
# matrix of appropriate length 
num.mat <- do.call(rbind, strsplit(nums, split = " ")) 


# Mash it back together with your original strings 
result <- as.data.frame(cbind(aa, num.mat)) 

# Give it informative names 
names(result) <- c("original.string", "num1", "num2", "num3") 

Answer 2

Odwrotny ciąg
Odwrotny wzór szukasz jeśli to konieczne - to nie jest w twoim przypadku
Odwrotny wynik

[haiku-pseudokod]

a = 'first string of junk... 0.2 0 1' // string to search 
b = 'junk' // pattern to match 

ra = reverseString(a) // now equals '1 0 2.0 ...knuj fo gnirts tsrif' 
rb = reverseString (b) // now equals 'knuj' 

// run your regular expression search/replace - search in 'ra' for 'rb' 
// put the result in rResult 
// and then unreverse the result 
// apologies for not knowing the syntax for 'R' regex 

[/ haiku-pseudocode]

Answer 3

To będzie Ci większość drogi tam, i będzie miał żadnych problemów z numerami, które zawierają przecinki:

# First, use a regex to eliminate the bad pattern. This regex 
# eliminates any three-character combination of periods, commas, 
# and big dots (•), so long as the combination is followed by 
# 0-2 spaces and then a digit. 
aa.sub <- as.matrix(
    apply(aa, 1, function (x) 
    gsub('[•.,]{3}(\\s{0,2}\\d)', '\\1', x, perl = TRUE))) 

# Second: it looks as though you want your data split into columns. 
# So this regex splits on spaces that are (a) preceded by a letter, 
# digit, or space, and (b) followed by a digit. The result is a 
# list, each element of which is a list containing the parts of 
# one of the strings in aa. 
aa.list <- apply(aa.sub, 1, function (x) 
    strsplit(x, '(?<=[\\w\\d\\s])\\s(?=\\d)', perl = TRUE)) 

# Remove the second element in aa. There is no space before the 
# first data column in this string. As a result, strsplit() split 
# it into three columns, not 4. That in turn throws off the code 
# below. 
aa.list <- aa.list[-2] 

# Make the data frame. 
aa.list <- lapply(aa.list, unlist) # convert list of lists to list of vectors 
aa.df <- data.frame(aa.list)  
aa.df <- data.frame(t(aa.df), row.names = NULL, stringsAsFactors = FALSE) 

Jedyne co pozostało, aby zmodyfikować regex dla strsplit() tak, że może obsłużyć drugi ciąg w aa. A może lepiej poradzić sobie z takimi przypadkami ręcznie.