substring() en R: cómo extraer información de strings

La función substring() de R es ideal para preparar datos para análisis, especialmente cuando necesitas transformar datos de texto en formatos más estructurados.

¿Qué es substring() en R?

En R, substring() es una función incorporada que te permite seleccionar subcadenas de una cadena más grande especificando con precisión el índice de inicio y fin para aislar la parte deseada de la cadena. substring() es una función de R que se utiliza para gran variedad de aplicaciones, desde limpiar datos hasta extraer información específica de datos de texto no estructurados. Por ejemplo, puedes utilizar la función substring() en R para obtener códigos postales de direcciones completas o extraer fechas de marcas de tiempo.

La flexibilidad de substring() en R la hace esencial en situaciones que requieren un control preciso sobre la posición y longitud de la subcadena seleccionada. También es común usarla en análisis de datos y para preparar datos de texto para procesamientos más avanzados, estructurando los datos adecuadamente.

La sintaxis de la función substring() en R

La función substring() en R permite extraer una subcadena de una cadena mayor. Admite los siguientes parámetros:

substring(x, first, last)

• x: es la cadena de la que quieres extraer la subcadena.
• first: es el índice del primer carácter en la cadena que quieres extraer.
• last: es el índice del último carácter en la subcadena que quieres extraer.

Aquí tienes un ejemplo concreto:

original_string <- "data analysis"
result <- substring(original_string, 1, 4)
print(result)

Selecciona la subcadena desde el índice 1 hasta el índice 4 en la cadena "data analysis" . Se almacena en la variable result. La salida es "data".

Aplicación práctica de substring() en R

Cuando editas conjuntos de datos, a menudo necesitas seleccionar, manipular o eliminar partes específicas de cadenas de caracteres. La función substring() en R te permite hacerlo de diversas maneras.

Extraer caracteres con substring()

Puedes almacenar los índices en variables y pasarlos como parámetros a la función substring() en R.

# Original string
original_string <- "Data Science"
# Indices for extraction
start_index <- 6
end_index <- 12
# Using substring() for extraction
extracted_substring <- substring(original_string, start_index, end_index)
print(extracted_substring)
# Output: Science

Este ejemplo utiliza la función substring() en R para seleccionar una subcadena de la posición 6 a la 12 del string original "Data Science". Define las variables start_index como índice inicial y end_index como índice final para la extracción. El resultado obtenido del programa muestra la subcadena extraída, que en este caso es "Science". El valor del índice final de 12 está incluido, por lo que el carácter que se encuentra en la posición 12 también se puede encontrar en la subcadena extraída.

Manipular strings con la función substring() en R

Crea un marco de datos df que contiene ID, edades y ocupaciones. Utiliza la función substring() en R para insertar un espacio en la segunda posición de cada cadena en la columna "ID".

# Creating a sample data frame
df <- data.frame(
    ID = c("01235", "02345", "04531"),
    Age = c(25, 30, 22),
    Occupation = c("Engineer", "Doctor", "Teacher")
)
# Inserting a space at the second position in the "ID" column
df$ID <- paste(substring(df$ID, 1, 1), " ", substring(df$ID, 2))
# Displaying the modified data frame
print("Modified Data Frame:")
print(df)

Este ejemplo utiliza la función substring() de R para extraer el primer dígito de cada número (substring(df$ID, 1, 1) y el resto de la secuencia numérica a partir de la segunda posición (substring(df$ID, 2)). A continuación, inserta un espacio entre ambos segmentos con la función paste de R. El resultado modificado aparece en la columna ID del marco de datos.

Resultado:

Modified Data Frame:
    ID           Age  Occupation
1  0 1235  25     Engineer
2  0 2345  30     Doctor
3  0 4531  22     Teacher