当正则表达式的某些部分要保存在后续的分割字符串中时，如何使用正则表达式在R中拆分字符串？

Posted 2021-05-07

我有一个像x = c("ABC", "ABC, EF", "ABC, DEF, 2 stems", "DE, other comments, and stuff")这样的字符串向量。

我想将其中的每一个分成两个部分：1）大写字母集（2或3个字母，用逗号分隔），2）最后一个“[A-Z] [A-Z]”之后的所有内容。

结果应该是

 [[1]]
[1] "ABC"

[[2]]
[1] "ABC, EF"

[[3]]
[1] "ABC, DEF"      "2 stems"

[[4]]
[1] "DE"  "other comments, and stuff"

我尝试了strsplit(x, "[A-Z][A-Z], [a-z0-9]")和strsplit(x, "(?:[A-Z][A-Z], )[a-z0-9]")，两者都归还了

[[1]]
[1] "ABC"

[[2]]
[1] "ABC, EF"

[[3]]
[1] "ABC, D"      " stems"

[[4]]
[1] ""                        "ther comments, and stuff"

识别拆分的位置取决于第一个子串的结尾和第二个子串的开头的组合，因此这些部件将从最终结果中排除。

如上所述，在拆分时可以获得任何帮助，同时在每个子串中包含拆分正则表达式的相关部分！

答案

一种选择是str_split

library(stringr)
str_split(x, ", (?=[a-z0-9])", n = 2)
#[[1]]
#[1] "ABC"

#[[2]]
#[1] "ABC, EF"

#[[3]]
#[1] "ABC, DEF" "2 stems" 

#[[4]]
#[1] "DE"                        "other comments, and stuff"