R中str_split非向量化运行问题及数据框污染物名称提取

1. str_split()是否属于向量化函数？ #

str_split()是向量化函数，它会对输入的每个字符串独立执行拆分操作，返回一个列表（列表的每个元素对应原向量中单个字符串的拆分结果）。你代码出现错误的原因是：用[[1]]直接提取了列表的第一个元素（即第一个字符串的拆分结果），然后将这个值重复赋值给了所有行，导致第二行的污染物名称也被错误设置为"CO"。

2. 如何从数据框df中正确提取空气污染物名称？ #

以下是几种高效可行的方法：

方法一：结合map_chr()提取列表元素 #

利用purrr::map_chr()遍历str_split()返回的列表，提取每个列表元素的第4个值：

library(tidyverse)

df <- data.frame(x = c('data/raw/air/CO/2013.txt',
                       'data/raw/air/PM2.5/2013.txt'))

df %>% mutate(air = map_chr(str_split(x, "/"), ~ .x[4]))

输出结果：

x    air
1    data/raw/air/CO/2013.txt     CO
2 data/raw/air/PM2.5/2013.txt PM2.5

方法二：用str_split_fixed()直接生成矩阵提取列 #

str_split_fixed()会将拆分结果转换为矩阵，直接指定提取第4列即可：

df %>% mutate(air = str_split_fixed(x, "/", n = 5)[,4])

这里n = 5是因为每个路径会被拆分为5个部分，设置为大于等于实际拆分次数的数值即可。

方法三：正则表达式匹配提取 #

根据路径的结构规律，用str_extract()匹配air/之后、下一个/之前的内容：

df %>% mutate(air = str_extract(x, "(?<=air/)[^/]+"))

这个正则表达式的逻辑是：(?<=air/)是正向断言，确保匹配内容在air/之后；[^/]+匹配任意非斜杠的字符，直到遇到下一个斜杠为止。

内容的提问来源于stack exchange，提问作者zhiwei li