regex - 如何从 R 中的 csv 数据中删除 [1]s、[[1]]s 和双引号？

Question

我有一个 CSV 文件。它包含一些之前的 R 操作的输出，因此用索引号填充（例如 [1]、[[1]]）。当它读入 R 时，它看起来像这样，例如：

        V1
1                                                                                                           [1] 789
2                                                                                                             [[1]]
3                                                           [1] "PNG"        "D115"    "DX06"    "Slz"
4                                                                                                           [1] 787
5                                                                                                             [[1]]
6                                                                       [1] "D010"           "HC"
7                                                                                                           [1] 949
8                                                                                                             [[1]]
9                                                                       [1] "HC" "DX06"          

（我不知道为什么在行号和输出数据之间浪费了所有空间）

我需要将上述数据显示如下（不带 [1] 或 [[1]] 或“”，并将数据放在其相应数字旁边，例如）：

789 PNG,D115,DX06,Slz
787 D010,HC
949 HC,DX06

（可能789和其对应的数据PNG,D115,DX06,Slz应该由一个选项卡分隔.. 和每一行一样）

如何在 R 中实现这一点？

Answer 1

我们可以创建一个分组变量（'indx'），split在删除开头的括号部分以及字符串中的引号之后使用分组索引的“V1”列"。假设我们需要第一列作为数字元素，第二列作为非数字部分，我们可以使用正则表达式将空格替换为,(如预期结果所示，然后rbind是列表元素。

indx <- cumsum(c(grepl('\\[\\[', df1$V1)[-1], FALSE))
 do.call(rbind,lapply(split(gsub('"|^.*\\]', '', df1$V1), indx),
         function(x) data.frame(ind=x[1],
    val=gsub('\\s+', ',', gsub('^\\s+|\\s+$', '',x[-1][x[-1]!=''])))))

 #   ind               val
 #1  789 PNG,D115,DX06,Slz
 #2  787           D010,HC
 #3  949           HC,DX06

数据

 df1 <- structure(list(V1 = c("[1] 789", "[[1]]", 
 "[1] \"PNG\"        \"D115\"    \"DX06\"    \"Slz\"", 
 "[1] 787", "[[1]]", "[1] \"D010\"           \"HC\"", "[1] 949", 
 "[[1]]", "[1] \"HC\" \"DX06\"")), .Names = "V1", 
 class = "data.frame", row.names = c("1", "2", "3", "4", "5", "6", 
 "7", "8", "9"))

Answer 2

老实说，使用 sed/perl/egrep -o 进行命令行修复会更轻松：

sed -e 's/.*\][ \t]*//' dirty.csv > clean.csv