我正在处理一些数据，其中一列看起来像
21070808(136(|19995886(87(|21280165(66(
20226255(57(| 21440646(54(
需要明确的是，这是一个单列。不在括号中的每个数字表示出版物id(例如，21070808(，括号中的数字表示该出版物收到的引用次数(例如，出版物21070808收到136次引用(。
对于每一项观察，我想统计一下出版物的数量以及引用的总数。例如，以上面的2个观察结果为例，我想得到2列(column1=发表数量，column2=引用(：
Number of publications - Citations
3 - 289
2 - 111
我曾试图在R/Stata中寻找解决方案，但无法找到任何解决方案。我想就出版物的数量而言，我可以数出"|"字符并加+1。但对于引用总数，我有点困惑。。。
如有任何帮助，我们将不胜感激。我对R/Stata(甚至Python(漠不关心：(
library(tidyverse)
df %>%
rowid_to_column() %>%
separate_rows(col1, sep = '[|]')%>%
separate(col1, c('num', 'cit'),convert = TRUE, extra = 'drop')%>%
group_by(rowid)%>%
summarise(num = n(), cit = sum(cit))%>%
select(-rowid)
# A tibble: 2 x 2
num cit
<int> <int>
1 3 289
2 2 111
df<-data.frame(x=c("21070808(136)|19995886(87)|21280165(66)","20226255(57)|21440646(54)"))
df$count<-str_count(df$x, "\|")+1
df$sum<-str_extract_all(df$x, "(?<=\()[^()]*(?=\))")
df$sum<-lapply(df$sum, function(y) sum(as.numeric(y)))
df
x sum count 1 21070808(136)|19995886(87)|21280165(66) 289 3 2 20226255(57)|21440646(54) 111 2
Regex源匹配括号中的数据-仅匹配括号中字符的模式
这里有一个Stata解决方案。
clear
input str42 problem
"21070808(136)|19995886(87)|21280165(66)"
"20226255(57)|21440646(54)"
end
gen count = strlen(problem) - strlen(subinstr(problem, "|", "", .)) + 1
* ssc install moss
moss problem, match("(([0-9]+)") regex
destring _match*, ignore("(") replace
egen citations = rowtotal(_match*)
keep problem count citations
list
+------------------------------------------------------------+
| problem count citati~s |
|------------------------------------------------------------|
1. | 21070808(136)|19995886(87)|21280165(66) 3 289 |
2. | 20226255(57)|21440646(54) 2 111 |
+------------------------------------------------------------+
使用base R
lst1 <- type.convert(regmatches(df$x, gregexpr("(?<=\()\d+", df$x,
perl = TRUE)), as.is = TRUE)
data.frame(Numer_of_publications = lengths(lst1), Citations = sapply(lst1, sum))
Numer_of_publications Citations
1 3 289
2 2 111