r - 在数据框中搜索唯一值并使用它们创建表

Question

自从我不久前开始使用 R< 以来，我发现这个站点在帮助我构建脚本方面非常有用。我又一次遇到了一个我似乎无法在任何地方找到答案的挑战。这是我的问题：在我的数据中，我有一列在每一行中包含不同的 URL。在每个 URL 中，都有我要提取的特定信息。目前我在 excel 中执行此操作，因为有人告诉我在 R 中不可能执行此操作，并且不存在执行此操作的函数。

URL 将类似于此示例格式，可在“源”列中找到

http://www.googleclick.com?utm_source=ADX&ID56789

http://www.googleclick.com?utm_source=ADW&ID56009

http://www.googleclick.com?utm_source=ADWords&ID53389

对我来说重要的 URL 部分是“utm_source=ADX”位。我的数据看起来像这样：

用户/来源

1 / http://www.googleclick.com?utm_source=ADX&ID56789

2 / http://www.googleclick.com?utm_source=ADW&ID56009

3 / http://www.googleclick.com?utm_source=ADWords&ID53389

我需要做的是从 URL 中捕获 utm_source 并将信息转置到不同的列中，示例如下：

用户/来源/utm_source

1 / googleclick / ADX&ID56789

2 / googleclick / ADW&ID56009

3 / googleclick / ADWords&ID53389

所以本质上我需要R在整个数据框中搜索值“utm_source =”，一旦找到它们，我希望它把“utm_source =”值转换为列名并复制后面的所有信息“=”在每一行的该列中。我知道“grep”是一个在 datafreme 中定位特定信息的函数，例如 data <- total[grepl("utm_source", total$Source), ]。这将为我提供包含“utm_source”一词的所有行，但我需要的是“utm_source”之后的信息。通常我的数据可以有多达 500.000 行。目前我为此使用 excel 函数“文本到列”，我基本上将 URL 拆分成小块并保留我需要的列，

有没有办法修改 grepl 函数以满足我需要的标准？

Answer 1

没有什么是不可能的。

x <- read.csv(text="
User, Source
1, http://www.googleclick.com?utm_source=ADX&ID56789
2, http://www.googleclick.com?utm_source=ADW&ID56009
3, http://www.googleclick.com?utm_source=ADWords&ID53389
", header=TRUE, stringsAsFactors=FALSE)

首先，使用strsplit

strsplit(x$Source, split="\\?utm_source=")
[[1]]
[1] " http://www.googleclick.com" "ADX&ID56789"                

[[2]]
[1] " http://www.googleclick.com" "ADW&ID56009"                

[[3]]
[1] " http://www.googleclick.com" "ADWords&ID53389" 

然后找一个炽热的扑克牌，盯着你所谓的顾问的眼睛。

---

编辑：

正如 Paul Hiemstra 所建议的，您也可以直接使用正则表达式：

gsub(".*\\?utm_source=", "", x$Source)
[1] "ADX&ID56789"     "ADW&ID56009"     "ADWords&ID53389"

Answer 2

@Andrie 的回答可以解决问题。这是使用 using 的另一种方式regmatches，gregexpr它可能很有用。

d <- read.table(text="User URL
1 http://www.googleclick.com?utm_source=ADX&ID56789
2 http://www.googleclick.com?utm_source=ADW&ID56009
3 http://www.googleclick.com?utm_source=ADWords&ID53389", header=TRUE)

domain.pat <- '((?<=www.)([[:alnum:]_]+))'
source.pat <- '((?<=utm_source=)([[:alnum:]&]+))' # exclude the '&' here to only grab up to the '&'
all.matches <- gregexpr(paste(domain.pat, source.pat, sep='|'), d$URL, perl=TRUE)
all.substrings <- regmatches(d$URL, all.matches)
do.call(rbind, all.substrings)

#      [,1]          [,2]             
# [1,] "googleclick" "ADX&ID56789"    
# [2,] "googleclick" "ADW&ID56009"    
# [3,] "googleclick" "ADWords&ID53389"