使用str_locate处理DataFrame多行列时结果异常的问题排查

首先重现问题场景：

library(tidyverse)

df <- structure(list(tasks = c("xxx<br>Mitte<br>-	Niedersachsen, <br><br><br>", 
                               "xxx – Jahrgang 2022<br>\r<br>Mein")),
                class = "data.frame",
                row.names = c(NA, -2L))

当运行以下代码处理多行DataFrame时，position_r列结果为空：

df |> 
  mutate(position_tab = list(str_locate_all(tasks, "[\t]")[[1]][,"start"]),
         position_n   = list(str_locate_all(tasks, "[\n]")[[1]][,"start"]),
         position_r   = list(str_locate_all(tasks, "[\r]")[[1]][,"start"]))

但仅保留第二行时，position_r能得到正确结果24：

df |> 
  slice(2) |> 
  mutate(position_tab = list(str_locate_all(tasks, "[\t]")[[1]][,"start"]),
         position_n   = list(str_locate_all(tasks, "[\n]")[[1]][,"start"]),
         position_r   = list(str_locate_all(tasks, "[\r]")[[1]][,"start"]))

核心原因 #

问题出在[[1]]的使用逻辑上：

• 处理多行DataFrame时，str_locate_all(tasks, "[\r]")返回的是长度等于行数的列表，每个元素对应一行的匹配结果。
• 直接用[[1]]提取的是这个列表的第一个元素（即第一行的匹配结果），而第一行字符串中没有\r字符，得到空向量后被重复赋值给所有行的position_r列。
• 处理单行DataFrame时，str_locate_all返回的列表只有一个元素（对应唯一一行的结果），[[1]]刚好取到正确的匹配结果，因此能返回正确位置。

解决方法 #

需要对tasks列的每一行单独处理，用purrr::map遍历每个字符串元素，提取对应行的匹配起始位置：

df |> 
  mutate(position_tab = map(tasks, ~ str_locate_all(., "[\t]")[[1]][,"start"]),
         position_n   = map(tasks, ~ str_locate_all(., "[\n]")[[1]][,"start"]),
         position_r   = map(tasks, ~ str_locate_all(., "[\r]")[[1]][,"start"]))

运行后可得到正确结果：

tasks position_tab position_n position_r
1 xxx<br>Mitte<br>-	Niedersachsen, <br><br><br>           18           integer(0) integer(0)
2                xxx – Jahrgang 2022<br>\r<br>Mein integer(0) integer(0)          24

内容的提问来源于stack exchange，提问作者deschen