R语言| 学一点stringr与正则表达式

Posted 2021-05-02 R语言与SPSS

tags:

篇首语：本文由小常识网(cha138.com)小编为大家整理，主要介绍了R语言| 学一点stringr与正则表达式相关的知识，希望对你有一定的参考价值。

 
   
   
 
  
    
    
  ###########  基于R语言的自动收集
  
    
    
  ##### 正则表达式和基本字符串函数
  
    
    
  library(tidyverse)

 
   
   
 
  
    
    
  ## -- Attaching packages ---------------------------------- tidyverse 1.2.1 --

 
   
   
 
  
    
    
  ## √ ggplot2 2.2.1     √ purrr   0.2.4
  
    
    
  ## √ tibble  1.4.2     √ dplyr   0.7.4
  
    
    
  ## √ tidyr   0.7.2     √ stringr 1.2.0
  
    
    
  ## √ readr   1.1.1     √ forcats 0.2.0

 
   
   
 
  
    
    
  ## -- Conflicts ------------------------------------- tidyverse_conflicts() --
  
    
    
  ## x dplyr::filter() masks stats::filter()
  
    
    
  ## x dplyr::lag()    masks stats::lag()

 
   
   
 
  
    
    
  raw.data <- "555-1234Moe Szyslak(636) 555-0113Burns,C. Montgomery555-6542Rev.Timothy Lovejoy555 8904Ned Flanders 636-555-3226Simpson,Homer5553642 DR. Julius Hibbert "
  
    
    
  
  
    
    
  #选出人名，用[:alpha:],表示a-z和A-Z,即大小写字母
  
    
    
  #只选字母
  
    
    
  #str_extract_all提取的是列表形式，我们用unlist转为向量，适合在实际问题中单变量的提取
  
    
    
  unlist(str_extract_all(raw.data,"[:alpha:]"))

 
   
   
 
  
    
    
  ##  [1] "M" "o" "e" "S" "z" "y" "s" "l" "a" "k" "B" "u" "r" "n" "s" "C" "M"
  
    
    
  ## [18] "o" "n" "t" "g" "o" "m" "e" "r" "y" "R" "e" "v" "T" "i" "m" "o" "t"
  
    
    
  ## [35] "h" "y" "L" "o" "v" "e" "j" "o" "y" "N" "e" "d" "F" "l" "a" "n" "d"
  
    
    
  ## [52] "e" "r" "s" "S" "i" "m" "p" "s" "o" "n" "H" "o" "m" "e" "r" "D" "R"
  
    
    
  ## [69] "J" "u" "l" "i" "u" "s" "H" "i" "b" "b" "e" "r" "t"

 
   
   
 
  
    
    
  #选择人名，用*的效果，*表示{0，}，将非目标字符视为空值，但是也匹配出来
  
    
    
  #结果是将数字字符视为空值，匹配出来了
  
    
    
  unlist(str_extract_all(raw.data,"[:alpha:]*"))

 
   
   
 
  
    
    
  ##  [1] ""           ""           ""           ""           ""          
  
    
    
  ##  [6] ""           ""           ""           "Moe"        ""          
  
    
    
  ## [11] "Szyslak"    ""           ""           ""           ""          
  
    
    
  ## [16] ""           ""           ""           ""           ""          
  
    
    
  ## [21] ""           ""           ""           ""           ""          
  
    
    
  ## [26] "Burns"      ""           "C"          ""           ""          
  
    
    
  ## [31] "Montgomery" ""           ""           ""           ""          
  
    
    
  ## [36] ""           ""           ""           ""           "Rev"       
  
    
    
  ## [41] ""           "Timothy"    ""           "Lovejoy"    ""          
  
    
    
  ## [46] ""           ""           ""           ""           ""          
  
    
    
  ## [51] ""           ""           "Ned"        ""           "Flanders"  
  
    
    
  ## [56] ""           ""           ""           ""           ""          
  
    
    
  ## [61] ""           ""           ""           ""           ""          
  
    
    
  ## [66] ""           ""           ""           "Simpson"    ""          
  
    
    
  ## [71] "Homer"      ""           ""           ""           ""          
  
    
    
  ## [76] ""           ""           ""           ""           "DR"        
  
    
    
  ## [81] ""           ""           "Julius"     ""           "Hibbert"   
  
    
    
  ## [86] ""           ""

 
   
   
 
  
    
    
  #用+号，+表示{1,0}，即只选择目标字符
  
    
    
  #结果中没有数字字符的空值，成功提取了所有的单词，但是逻辑上没有连在一起
  
    
    
  unlist(str_extract_all(raw.data,"[:alpha:]+"))

 
   
   
 
  
    
    
  ##  [1] "Moe"        "Szyslak"    "Burns"      "C"          "Montgomery"
  
    
    
  ##  [6] "Rev"        "Timothy"    "Lovejoy"    "Ned"        "Flanders"  
  
    
    
  ## [11] "Simpson"    "Homer"      "DR"         "Julius"     "Hibbert"

 
   
   
 
  
    
    
  #为什么没有连在一起呢？因为名字的中间有空格！
  
    
    
  #加入空格，我用的是空格键打出来的，也可以用\s
  
    
    
  #同时注意，我们匹配的内容是 字母加空格，所以就需要有两个[],不能在[:alpha:]直接加入
  
    
    
  unlist(str_extract_all(raw.data,"[[:alpha:] ]+"))

 
   
   
 
  
    
    
  ##  [1] "Moe Szyslak"      " "                "Burns"           
  
    
    
  ##  [4] "C"                " Montgomery"      "Rev"             
  
    
    
  ##  [7] "Timothy Lovejoy"  " "                "Ned Flanders "   
  
    
    
  ## [10] "Simpson"          "Homer"            " DR"             
  
    
    
  ## [13] " Julius Hibbert "

 
   
   
 
  
    
    
  #在用到\s代表空格的时候，就遇到了转义字符的问题
  
    
    
  #简单明说，就是在R中，必须类似\s和\d的前面，再加上一个\，组成\\s才能准确表达空格这个含义，否则R不认识，就会error
  
    
    
  unlist(str_extract_all(raw.data,"[[:alpha:]\\s]+"))

 
   
   
 
  
    
    
  ##  [1] "Moe Szyslak"      " "                "Burns"           
  
    
    
  ##  [4] "C"                " Montgomery"      "Rev"             
  
    
    
  ##  [7] "Timothy Lovejoy"  " "                "Ned Flanders "   
  
    
    
  ## [10] "Simpson"          "Homer"            " DR"             
  
    
    
  ## [13] " Julius Hibbert "

 
   
   
 
  
    
    
  #这次的结果，我们发现Moe Szyslak 和Timothy Lovejoy的结果是我们想要的，但是其他的还没达到我们想要的结果，问题在哪？
  
    
    
  #因为我们发现有的名字，如Burns,C. Montgomery中，既有，号也有.号，观察一下，的确是因为这两个符号导致了分割
  
    
    
  #所以，我们下一步的思路是 将,号和.号，一起和空格加入到内容的匹配中
  
    
    
  unlist(str_extract_all(raw.data,"[[:alpha:]\\s,.]+"))

 
   
   
 
  
    
    
  ## [1] "Moe Szyslak"          " "                    "Burns,C. Montgomery" 
  
    
    
  ## [4] "Rev.Timothy Lovejoy"  " "                    "Ned Flanders "       
  
    
    
  ## [7] "Simpson,Homer"        " DR. Julius Hibbert "

 
   
   
 
  
    
    
  #结果中的内容是我们想要的，但是为什么会有空值出现呢？
  
    
    
  #检查文本 555-1234Moe Szyslak(636) 555-0113Burns,C. Montgomery，我们发现在（636）和555之间有一个空格
  
    
    
  #将原文本的空格删掉
  
    
    
  raw.data2 <- "555-1234Moe Szyslak(636)555-0113Burns,C. Montgomery555-6542Rev.Timothy Lovejoy555 8904Ned Flanders 636-555-3226Simpson,Homer5553642 DR. Julius Hibbert "
  
    
    
  unlist(str_extract_all(raw.data2,"[[:alpha:]\\s,.]+"))

 
   
   
 
  
    
    
  ## [1] "Moe Szyslak"          "Burns,C. Montgomery"  "Rev.Timothy Lovejoy" 
  
    
    
  ## [4] " "                    "Ned Flanders "        "Simpson,Homer"       
  
    
    
  ## [7] " DR. Julius Hibbert "

 
   
   
 
  
    
    
  #我们就明显发现原来结果中的第二个空值没有了，但实际出来问题中这样做是不行的，要改进一下正则的写法，或者按照字符数排除
  
    
    
  
  
    
    
  #有空格，感觉是因为匹配的内容里有，但是怎么限制空格呢？
  
    
    
  #将+改为{2,}
  
    
    
  unlist(str_extract_all(raw.data,"[[:alpha:]. ,]{2,}"))

 
   
   
 
  
    
    
  ## [1] "Moe Szyslak"          "Burns,C. Montgomery"  "Rev.Timothy Lovejoy" 
  
    
    
  ## [4] "Ned Flanders "        "Simpson,Homer"        " DR. Julius Hibbert "

 
   
   
 
  
    
    
  #或者在原来的基础上用nchar函数做消除
  
    
    
  name <- unlist(str_extract_all(raw.data2,"[[:alpha:]\\s,.]+"))
  
    
    
  name

 
   
   
 
  
    
    
  ## [1] "Moe Szyslak"          "Burns,C. Montgomery"  "Rev.Timothy Lovejoy" 
  
    
    
  ## [4] " "                    "Ned Flanders "        "Simpson,Homer"       
  
    
    
  ## [7] " DR. Julius Hibbert "

 
   
   
 
  
    
    
  name[nchar(name)>2]

 
   
   
 
  
    
    
  ## [1] "Moe Szyslak"          "Burns,C. Montgomery"  "Rev.Timothy Lovejoy" 
  
    
    
  ## [4] "Ned Flanders "        "Simpson,Homer"        " DR. Julius Hibbert "

以上是关于R语言| 学一点stringr与正则表达式的主要内容，如果未能解决你的问题，请参考以下文章

R语言--字符处理（stringr包）

R stringr 正则表达式提取括号内的字符

R语言正则表达式

将正则表达式应用于 R 中的字符串

R语言中如何提取字符串

使用正则表达式提取字符串 - str_extract、stringr、regex