Как преобразовать структурированный текст в столбцы данных в R?

у меня есть довольно большой (1000 страниц) список структурированного текста, который я хотел бы преобразовать в фрейм данных (желательно с помощью R, но я открыт для предложений).

текстовый файл выглядит следующим образом:

AC-Acrelândia
TV    Canal 18    AINDA NÃO OUTORGADO
RTV  Canal 9    RADIO TV DO AMAZONAS LTDA
RTV  Canal 10    RADIO TV DO AMAZONAS LTDA(REDENCAO)
TVD  Canal 15    RADIO TV DO AMAZONAS LTDA
TVD  Canal 15    AINDA NÃO OUTORGADO(REDENÇÃO)
FM   88,5 MHz   RADIO E TV MAIRA LTDA

AC-Assis Brasil
TV    Canal 34    AINDA NÃO OUTORGADO
RTV  Canal 6    AMAZONIA CABO LTDA
RTV  Canal 10    RADIO TV DO AMAZONAS LTDA
RTV  Canal 13    AINDA NÃO OUTORGADO
RTV  Canal 45    FUNDACAO JOAO PAULO II

и я хотел бы преобразовать его во что-то вроде этого:

AC  Acrelândia    TV    Canal 18    AINDA NÃO OUTORGADO
AC  Acrelândia    RTV   Canal 9     RADIO TV DO AMAZONAS LTDA
AC  Acrelândia    RTV   Canal 10    RADIO TV DO AMAZONAS LTDA(REDENCAO)
....

Кажется, readLines () - хорошее начало, но мне трудно со структурой.

6
dataframe r

2 ответов

в файл CSV

поскольку вы открыты для других языков, я предлагаю решение в Python. Он создает csv-файл, выглядящий так:

"AC","Acrelândia","TV","Canal 18","AINDA NÃO OUTORGADO"
"AC","Acrelândia","RTV","Canal 9","RADIO TV DO AMAZONAS LTDA"
"AC","Acrelândia","RTV","Canal 10","RADIO TV DO AMAZONAS LTDA(REDENCAO)"
"AC","Acrelândia","TVD","Canal 15","RADIO TV DO AMAZONAS LTDA"
"AC","Acrelândia","TVD","Canal 15","AINDA NÃO OUTORGADO(REDENÇÃO)"
"AC","Acrelândia","FM","88,5 MHz","RADIO E TV MAIRA LTDA"
"AC","Assis Brasil","TV","Canal 34","AINDA NÃO OUTORGADO"
"AC","Assis Brasil","RTV","Canal 6","AMAZONIA CABO LTDA"
"AC","Assis Brasil","RTV","Canal 10","RADIO TV DO AMAZONAS LTDA"
"AC","Assis Brasil","RTV","Canal 13","AINDA NÃO OUTORGADO"
"AC","Assis Brasil","RTV","Canal 45","FUNDACAO JOAO PAULO II"

Код

это делает два предположения: (1) первая строка в файле или любая строка после пустой строки-это имя станции и (2) поля разделены двумя или более пробелами

#-*- coding: utf-8 -*-

import re
import csv

# CREATE DATA STRUCTURE TO SIMULATE READING A TEXT FILE

data = u'''AC-Acrelândia
TV    Canal 18    AINDA NÃO OUTORGADO
RTV  Canal 9    RADIO TV DO AMAZONAS LTDA
RTV  Canal 10    RADIO TV DO AMAZONAS LTDA(REDENCAO)
TVD  Canal 15    RADIO TV DO AMAZONAS LTDA
TVD  Canal 15    AINDA NÃO OUTORGADO(REDENÇÃO)
FM   88,5 MHz   RADIO E TV MAIRA LTDA

AC-Assis Brasil
TV    Canal 34    AINDA NÃO OUTORGADO
RTV  Canal 6    AMAZONIA CABO LTDA
RTV  Canal 10    RADIO TV DO AMAZONAS LTDA
RTV  Canal 13    AINDA NÃO OUTORGADO
RTV  Canal 45    FUNDACAO JOAO PAULO II'''.split('\n')

def read_records():
    for line in data:
        yield line


# INITIALIZE SPLITTER, READ RECORDS AND WRITE TO CSV FILE

splitter = re.compile('\s{2,}')
change_station = True
station = ''

f = open('./output.csv', 'w')
writer = csv.writer(f, quoting=csv.QUOTE_ALL)

for rec in read_records():
    rec = rec.strip()
    if rec == '':
        change_station = True
    elif change_station == True:
        station = rec.replace('-', '  ')
        change_station = False
    else:
        record = station + '  ' + rec
        record = record.encode('utf-8')
        record = re.split(splitter, record)
        writer.writerow(record)

f.close()

# READ IN FILE AND PRINT TO CONSOLE FOR DEMO PURPOSES

f = open('./output.csv', 'r')
print ''.join( f.readlines() )
f.close()
5

Если вы счастливы использовать Python, то это будет работать (при условии вывода с разделением табуляции):

import os

program = open('program', 'r')
new_prog = open('new_prog', 'w')

# Get initial state and city
state, city = program.readline().rstrip().split('-')

for line in program:
    # Blank lines denote city change
    if not line.strip():
        line = program.next()
        state, city = line.rstrip().split('-')
        line = program.next()

    band, cname, channel, show = line.rstrip().split(None, 3)

    new_line = '\t'.join([state, city, band, cname, channel, show, os.linesep])
    new_prog.write(new_line)

program.close()
new_prog.close()
3