使用gsub在R中的空格之前提取字符串

Posted 2023-02-14

【中文标题】使用gsub在R中的空格之前提取字符串

【英文标题】：Using gsub to extract character string before white space in R

【发布时间】：2013-03-31 11:26:03

【问题描述】：

我有一个看起来像这样的生日列表：

dob <- c("9/9/43 12:00 AM/PM", "9/17/88 12:00 AM/PM", "11/21/48 12:00 AM/PM")

我只想从这个变量中获取日历日期（即在第一次出现空白之后删除所有内容）。

这是我迄今为止尝试过的：

dob.abridged <- substring(dob,1,8)
dob
[1] "9/9/43 1" "9/17/88 " "11/21/48"
dob.abridged <- gsub(" $","", dob.abridged, perl=T)
> dob.abridged
[1] "9/9/43 1" "9/17/88"  "11/21/48"

所以我的代码适用于长度为 6 或 7 的日历日期，但不适用于长度为 8 的日历日期。在更有效的正则表达式上是否有任何指针可以与 gsub 一起使用，以处理长度为 6、7 或 8 的日历日期？

谢谢。

【参考方案1】：

不用substring，直接用gsub：

gsub( " .*$", "", dob )
# [1] "9/9/43"   "9/17/88"  "11/21/48"

一个空格 ()，然后是任意字符 (.) 任意次数 (*)，直到字符串结尾 ($)。请参阅?regex 了解正则表达式。

【讨论】：

我可以在这里分享的唯一建议是sub 就足够了，因为只有一个字符串结束位置。

【参考方案2】：

我经常使用strsplit 来解决这类问题，但我喜欢 Romain 的回答多么简单。我认为将 Romain 的解决方案与 strsplit 答案进行比较会很有趣：

这是strsplit 解决方案：

sapply(strsplit(dob, "\\s+"), "[", 1)

使用 microbenchmark 包和 dob <- rep(dob, 1000) 与原始数据：

Unit: milliseconds
                                    expr       min        lq    median
                   gsub(" .*$", "", dob)  4.228843  4.247969  4.258232
 sapply(strsplit(dob, "\\\\s+"), "[", 1) 14.438241 14.558832 14.634638
        uq       max neval
  4.268029  5.081608  1000
 14.756628 53.344984  1000

Win 7 机器上的明显赢家是来自 Romain 的 gsub 正则表达式。感谢罗曼的回答和解释。

【参考方案3】：

库stringr 包含针对此问题量身定制的函数。

library(stringr)
word(dob,1)
# [1] "9/9/43"   "9/17/88"  "11/21/48"

【讨论】：

将第二个参数更改为 -1 会提取最后一个空格之后的文本，这正是我想要的。即word(dob,-1)

【参考方案4】：

另一种仅提取日期的正则表达式模式

library(stringr)
str_extract(dob, regex("\\d1,\\/\\d1,\\/\\d1,"))
#[1] "9/9/43"   "9/17/88"  "11/21/48"

\\d1,：至少匹配数字 1 次 \\/: 转义正斜杠

【参考方案5】：

从字母表中提取空格前字符的另一种方法是：

你必须安装包：“stringr”

stringr::str_extract(c("juan carlos", "miguel angel"), stringr::regex(pattern = "[a-z]+(?=\\s)", ignore_case = F))

[a-z]：匹配 a 和 z 之间的每个字符（按 Unicode 代码点顺序）。

+：1 个或更多。

(?=\\s)：前瞻，后跟 \s（即空格）（不匹配 \s）。

更多信息：https://stringr.tidyverse.org/articles/regular-expressions.html