使用 grepl 在 R 中提取子字符串

Posted 2023-02-22

【中文标题】使用 grepl 在 R 中提取子字符串

【英文标题】：Extract substring in R using grepl

【发布时间】：2019-02-03 06:22:32

【问题描述】：

我有一个表格，其中的字符串列格式如下

abcdWorkstart.csv
abcdWorkcomplete.csv

我想提取该文件名中的最后一个单词。所以我认为开始模式是“工作”这个词，结束模式是“.csv”。我用 grepl 写了一些东西，但没有用。

grepl("Work*.csv", data$filename)

基本上我想提取 Work 和 .csv 之间的任何内容

期望的结果：

start
complete

【问题讨论】：

请看看我的编辑@ajax2000。在您的问题中添加所需的结果始终是一个好习惯。这使一切变得如此简单，并且人们确切地知道您想要什么。我鼓励你在下一个问题中这样做;-)。

【参考方案1】：

我认为您需要sub 或gsub（替换/提取）而不是grepl（查找是否存在匹配项）。请注意，当没有找到时，它将返回未修改的整个字符串：

fn <- c('abcdWorkstart.csv', 'abcdWorkcomplete.csv', 'abcdNothing.csv')
out <- sub(".*Work(.*)\\.csv$", "\\1", fn)
out
# [1] "start"           "complete"        "abcdNothing.csv"

您可以通过过滤掉未更改的内容来解决此问题：

out[ out != fn ]
# [1] "start"    "complete"

或者用NA（或其他东西）将它们标记为无效：

out[ out == fn ] <- NA
out
# [1] "start"    "complete" NA        

【参考方案2】：

来自stringr 的str_extract。这使用正向环视来匹配“Work”和“.csv”之间的任何字符一次或多次 (.+)：

x <- c("abcdWorkstart.csv", "abcdWorkcomplete.csv")

library(stringr)
str_extract(x, "(?<=Work).+(?=\\.csv)")
# [1] "start"    "complete"

【参考方案3】：

作为一种替代方法，删除您不想要的所有内容。

x <- c("abcdWorkstart.csv", "abcdWorkcomplete.csv")

gsub("^.*Work|\\.csv$", "", x)
#[1] "start"    "complete"

请注意： 我必须使用gsub。因为我先删除^.*Work，然后删除\\.csv$。

---

对于[\\s\\S] 或\\d\\D ...（不适用于[g]?sub）

https://regex101.com/r/wFgkgG/1

使用 akruns 方法：

regmatches(v1, regexpr("(?<=Work)[\\s\\S]+(?=[.]csv)", v1, perl = T))

str1<-
'12
.2
12'

gsub("[^.]","m",str1,perl=T)
gsub(".","m",str1,perl=T)
gsub(".","m",str1,perl=F)

. 在使用 R 引擎时也匹配 \n。

【讨论】：

几乎所有解决方案都有效，但我认为这更简洁。谢谢

【参考方案4】：

这是一个使用来自base R 的regmatches/regexpr 的选项。使用正则表达式环视来匹配字符串 'Work' 之后不是 . 的所有字符，使用 regmatches 提取

regmatches(v1, regexpr("(?<=Work)[^.]+(?=[.]csv)", v1, perl = TRUE))
#[1] "start"    "complete"

数据

v1 <- c('abcdWorkstart.csv', 'abcdWorkcomplete.csv', 'abcdNothing.csv')

【讨论】：

更准确地说，可以使用"(?<=Work).*(?=.csv)"。

@avid_user 但是，我使用的是regmatches/regexpr

@AndreElrico，[\\s\\S] 不匹配任何字符吗？使用.不是更简洁吗？

@r2evans 我同时使用[.] 或\\.，虽然我觉得前者更容易输入。

这种（以及其他）方法的一个问题是regmatches(...) 不一定与原始向量的索引匹配。例如，输入了三个文件名，出来了两个，但没有直接指示它们属于哪个文件名。 （用另一行或两行代码并不难确定，也不是 regmatches 独有的......虽然我的答案是 NA 的返回是明确的。）