Преобразование данных в фрейм данных - PullRequest
Новая
       109

Преобразование данных в фрейм данных

1 голос
/ 30 мая 2020

Я читаю данные и пытаюсь преобразовать их во фрейм данных, чтобы сохранить в удобочитаемом формате. Однако нет подсказки о преобразовании данных dat. Немного новичок в R. Любая помощь будет принята с благодарностью.

Код на данный момент: 

data <- readLines("Day8.dat")

print(data)

Результат на данный момент: 

[1] "<d2lm:d2LogicalModel extensionVersion=\"2.0\" extensionName=\"NTIS Published Services\" 
modelBaseVersion=\"2\" xmlns:ns4=\"http://www.thalesgroup.com/NTIS/Datex2Extensions/1.0Beta1\" 
xmlns:ns3=\"http://datex2.eu/schema/2/2_0/inrix\" xmlns:d2lm=\"http://datex2.eu/schema/2/2_0\"> 
<d2lm:exchange><d2lm:supplierIdentification><d2lm:country>gb</d2lm:country> 
<d2lm:nationalIdentifier>NTIS</d2lm:nationalIdentifier></d2lm:supplierIdentification></d2lm:exchange> 
<d2lm:payloadPublication xsi:type=\"d2lm:SituationPublication\" lang=\"en\" 
xmlns:xsi=\"http://www.w3.org/2001/XMLSchema-instance\"><d2lm:feedType>Event Data</d2lm:feedType> 
<d2lm:publicationTime>2020-05-10T00:00:44.778+01:00</d2lm:publicationTime><d2lm:publicationCreator> 
<d2lm:country>gb</d2lm:country><d2lm:nationalIdentifier>NTIS</d2lm:nationalIdentifier> 
</d2lm:publicationCreator><d2lm:situation version=\"\" id=\"2922904\"><d2lm:headerInformation> 
<d2lm:areaOfInterest>national</d2lm:areaOfInterest>
....

Спасибо

1 Ответ

2 голосов
/ 30 мая 2020

Все зависит от того, что вы хотите делать с данными, т.е. как вы хотите их обрабатывать. Например, предположим, что вас интересует анализ всех тегов XML как отдельных строк, затем вы можете извлечь теги, используя регулярное выражение и функцию str_extract: 

library(stringr)
str_extract_all(dat, "<(d2lm:[^>]*)>.*</\\1>|<d2lm:[^>]*>")

Это регулярное выражение работает, даже если XML имена элементов являются переменными: 

str_extract_all(dat, "<([^>]*)>.*</\\1>|<[^>]*>")

Результатом является список: 

[[1]]
 [1] "<d2lm:d2LogicalModel extensionVersion=\"2.0\" extensionName=\"NTIS Published Services\" \nmodelBaseVersion=\"2\" xmlns:ns4=\"http://www.thalesgroup.com/NTIS/Datex2Extensions/1.0Beta1\" \nxmlns:ns3=\"http://datex2.eu/schema/2/2_0/inrix\" xmlns:d2lm=\"http://datex2.eu/schema/2/2_0\">"
 [2] "<d2lm:exchange>"                                                                                                                                                                                                                                                                           
 [3] "<d2lm:supplierIdentification>"                                                                                                                                                                                                                                                             
 [4] "<d2lm:country>gb</d2lm:country>"                                                                                                                                                                                                                                                           
 [5] "<d2lm:nationalIdentifier>NTIS</d2lm:nationalIdentifier>"                                                                                                                                                                                                                                   
 [6] "<d2lm:payloadPublication xsi:type=\"d2lm:SituationPublication\" lang=\"en\" \nxmlns:xsi=\"http://www.w3.org/2001/XMLSchema-instance\">"                                                                                                                                                    
 [7] "<d2lm:feedType>Event Data</d2lm:feedType>"                                                                                                                                                                                                                                                 
 [8] "<d2lm:publicationTime>2020-05-10T00:00:44.778+01:00</d2lm:publicationTime>"                                                                                                                                                                                                                
 [9] "<d2lm:publicationCreator>"                                                                                                                                                                                                                                                                 
[10] "<d2lm:country>gb</d2lm:country>"                                                                                                                                                                                                                                                           
[11] "<d2lm:nationalIdentifier>NTIS</d2lm:nationalIdentifier>"                                                                                                                                                                                                                                   
[12] "<d2lm:situation version=\"\" id=\"2922904\">"                                                                                                                                                                                                                                              
[13] "<d2lm:headerInformation>"                                                                                                                                                                                                                                                                  
[14] "<d2lm:areaOfInterest>national</d2lm:areaOfInterest>"

Чтобы превратить список в фрейм данных: 

datDF <- data.frame(tags = unlist(str_extract_all(dat, "<(d2lm:[^>]*)>.*</\\1>|<d2lm:[^>]*>")))

EDIT :

Если вы хотите иметь фрейм данных с текстовыми значениями между XML начальным тегом и XML конечным тегом, вы можете извлечь эти теги и значения в следующих строках: 

datDF <- data.frame(
  tags = unlist(str_extract_all(dat, "<([^>]*)>(?=[^>]*</\\1>)")),
  values = unlist(str_extract_all(dat, "(?<=<([^>]{1,100})>).*(?=</\\1>)"))
) 
datDF
                       tags                        values
1            <d2lm:country>                            gb
2 <d2lm:nationalIdentifier>                          NTIS
3           <d2lm:feedType>                    Event Data
4    <d2lm:publicationTime> 2020-05-10T00:00:44.778+01:00
5            <d2lm:country>                            gb
6 <d2lm:nationalIdentifier>                          NTIS
7     <d2lm:areaOfInterest>                      national

Это - примерно - то, что вы имели в виду?

ДАННЫЕ: 

dat <- '<d2lm:d2LogicalModel extensionVersion=\"2.0\" extensionName=\"NTIS Published Services\" 
modelBaseVersion=\"2\" xmlns:ns4=\"http://www.thalesgroup.com/NTIS/Datex2Extensions/1.0Beta1\" 
xmlns:ns3=\"http://datex2.eu/schema/2/2_0/inrix\" xmlns:d2lm=\"http://datex2.eu/schema/2/2_0\"> 
<d2lm:exchange><d2lm:supplierIdentification><d2lm:country>gb</d2lm:country> 
<d2lm:nationalIdentifier>NTIS</d2lm:nationalIdentifier></d2lm:supplierIdentification></d2lm:exchange> 
<d2lm:payloadPublication xsi:type=\"d2lm:SituationPublication\" lang=\"en\" 
xmlns:xsi=\"http://www.w3.org/2001/XMLSchema-instance\"><d2lm:feedType>Event Data</d2lm:feedType> 
<d2lm:publicationTime>2020-05-10T00:00:44.778+01:00</d2lm:publicationTime><d2lm:publicationCreator> 
<d2lm:country>gb</d2lm:country><d2lm:nationalIdentifier>NTIS</d2lm:nationalIdentifier> 
</d2lm:publicationCreator><d2lm:situation version=\"\" id=\"2922904\"><d2lm:headerInformation> 
<d2lm:areaOfInterest>national</d2lm:areaOfInterest>'
...