Создать новую переменную, основанную на регулярном выражении

Ответ 1

Я большой поклонник tidyr для этой задачи и извлечения всех частей в отдельные столбцы:

if (!require("pacman")) install.packages("pacman")
pacman::p_load(dplyr, tidyr)

regx <- "(^[A-Za-z]+\\s+[0-9.a-z]+)\\s+([A-Z0-9]+)\\s*(.*)"

df %>%
    extract(model, c("a", "chassis", "b"), regx, remove=FALSE)

##                         model           a chassis           b    CRSP
## 1     Legacy 2.0  BG5 B4 AUTO  Legacy 2.0     BG5     B4 AUTO 3450000
## 2           Legacy 2.0 BH5 AT  Legacy 2.0     BH5          AT 3365000
## 3 Legacy 2.0i CVT Non Leather Legacy 2.0i     CVT Non Leather 4950000
## 4             Legacy 2.0i CVT Legacy 2.0i     CVT             5250000
## 5      Legacy 2.0 BL5 AUTO B4  Legacy 2.0     BL5     AUTO B4 4787526
## 6         Legacy 2.0 BP5 AUTO  Legacy 2.0     BP5        AUTO 3550000
## 7     Legacy 2.0 BM5 AUTO CVT  Legacy 2.0     BM5    AUTO CVT 5235000

Вы можете получить более общее с этим регулярным выражением:

regx <- "(^[^ ]+\\s+[^ ]+)\\s+([^ ]+)\\s*(.*)"

Также обратите внимание, что вы можете использовать extract, чтобы получить только столбец, за которым вы после этого, отбрасывая скобки группировки в первой и последней группах следующим образом:

regx <- "^[A-Za-z]+\\s+[0-9.a-z]+\\s+([A-Z0-9]+)\\s*.*"

df %>% 
    extract(model, "chassis", regx, remove=FALSE)

Ответ 2

Здесь возможное решение с использованием stringi

library(stringi)
df$chassis <- stri_extract_all_words(df$model, simplify = TRUE)[, 3]
df
#                         model    CRSP chassis
# 1     Legacy 2.0  BG5 B4 AUTO 3450000     BG5
# 2           Legacy 2.0 BH5 AT 3365000     BH5
# 3 Legacy 2.0i CVT Non Leather 4950000     CVT
# 4             Legacy 2.0i CVT 5250000     CVT
# 5      Legacy 2.0 BL5 AUTO B4 4787526     BL5
# 6         Legacy 2.0 BP5 AUTO 3550000     BP5
# 7     Legacy 2.0 BM5 AUTO CVT 5235000     BM5

Или аналогично

df$chassis <- sapply(stri_extract_all_words(df$model), `[`, 3)

Ответ 3

Альтернативное решение с использованием strsplit

# Split each of the models using space (the + accounts for multiple spaces)
# Note that model is a factor in your data frame, so it must be cast to char
model.split <- strsplit(as.character(df$model), " +")
# Now go through each element of the splitted list and get the 3rd word
df$chassis <- sapply(model.split, function(x){x[3]})

Ответ 4

Мы могли бы сопоставить символ до числовой части, включая i и пробел, заменив ее на '' с помощью sub, а затем извлечь первое слово с помощью word.

library(stringr)
 word(sub('^\\D*[0-9.i ]*', '', df$model),1)
#[1] "BG5" "BH5" "CVT" "CVT" "BL5" "BP5" "BM5"

Или сопоставьте пробелы, замените их одним пробелом и используйте word

 word(gsub(' +', ' ', df$model),3)
 #[1] "BG5" "BH5" "CVT" "CVT" "BL5" "BP5" "BM5"

ПРИМЕЧАНИЕ. Не уверен, что дополнительное пространство в первом элементе "model" является опечаткой. Если исходный набор данных не содержит более одного пробела между словами, тогда word(df$model, 3) будет работать.

Ответ 5

Это легко сделать в базе R:

transform(df, chassis=sub("^(\\S+\\s+){2}(\\S+).*", "\\2", model))

дает:

                        model    CRSP chassis
1     Legacy 2.0  BG5 B4 AUTO 3450000     BG5
2           Legacy 2.0 BH5 AT 3365000     BH5
3 Legacy 2.0i CVT Non Leather 4950000     CVT
4             Legacy 2.0i CVT 5250000     CVT
5      Legacy 2.0 BL5 AUTO B4 4787526     BL5
6         Legacy 2.0 BP5 AUTO 3550000     BP5
7     Legacy 2.0 BM5 AUTO CVT 5235000     BM5     

Ответ 6

Вы можете разбить символ пробела с помощью cSplit в пакете splitstackshape:

library(splitstackshape)
df$chassis <- cSplit(df, "model", sep = " ", "wide")$model_3

Это позволяет избежать необходимости в регулярном выражении или функции apply.