从字符串中删除美国邮政编码：R regex

Posted 2023-02-23

【中文标题】从字符串中删除美国邮政编码：R regex

【英文标题】：Remove US zip codes from a string: R regex

【发布时间】：2014-08-09 22:40:12

【问题描述】：

我正在尝试从字符串中删除/提取邮政编码。逻辑是我正在抓取的东西是：

必须恰好包含 5 个连续数字或 必须包含 5 个连续数字，后跟一个短划线，然后是 4 个连续数字或 必须包含 5 个连续数字，后跟一个空格，然后是 4 个连续数字

字符串的 zip 部分可以以空格开头，但也可以不。

这是 MWE 和我尝试过的。 2 个尝试的正则表达式基于 this question 和 this question：

text.var <- c("Mr. Bean bought 2 tickets 2-613-213-4567",
  "43 Butter Rd, Brossard QC K0A 3P0 – 613 213 4567", 
  "Rat Race, XX, 12345",
  "Ignore phone numbers(613)2134567",
  "Grab zips with dashes 12345-6789 or no space before12345-6789",  
  "Grab zips with spaces 12345 6789 or no space before12345 6789",
  "I like 1234567 dogs"
)

pattern1 <- "\\d5([- ]*\\d4)?"
pattern2 <- "[0-9]5(-[0-9]4)?(?!.*[0-9]5(-[0-9]4)?)"


regmatches(text.var, gregexpr(pattern1, text.var, perl = TRUE)) 
regmatches(text.var, gregexpr(pattern2, text.var, perl = TRUE)) 

## [[1]]
## character(0)
## 
## [[2]]
## character(0)
## 
## [[3]]
## [1] "12345"
## 
## [[4]]
## [1] "21345"
## 
## [[5]]
## [1] "12345-6789"
## 
## [[6]]
## [1] "12345"
## 
## [[7]]
## [1] "12345"

期望的输出

## [[1]]
## character(0)
## 
## [[2]]
## character(0)
## 
## [[3]]
## [1] "12345"
## 
## [[4]]
## character(0)
## 
## [[5]]
## [1] "12345-6789" "12345-6789"
## 
## [[6]]
## [1] "12345 6789" "12345 6789"
## 
## [[7]]
## character(0)

注意 R 的正则表达式与其他正则表达式类似，但是是 R 特有的。这个问题是 R 的正则表达式特有的，而不是一般的正则表达式问题。

【问题讨论】：

我不确定这张纸条。例如，当您使用 perl=TRUE 时，您也可以使用 perl 正则表达式，因此通常经典的正则表达式是 R 解决方案。

@agstudy 更多关于加倍反斜杠和任何其他 R 特定正则表达式的东西（我不太了解正则表达式，不知道这些东西是什么，但我找到了非 R 用户' 正则表达式通常不会转换为 R)。

【参考方案1】：

环视断言

您可以在此处使用Negative Lookbehind 和单词边界\b 的组合。

regmatches(text.var, gregexpr('(?<!\\d)\\d5(?:[ -]\\d4)?\\b', text.var, perl=T))

说明：

否定的lookbehind断言前面的不是数字。

单词边界断言一侧有单词字符，另一侧没有。

(?<!        # look behind to see if there is not:
  \d        #   digits (0-9)
)           # end of look-behind
\d5       # digits (0-9) (5 times)
(?:         # group, but do not capture (optional):
  [ -]      #   any character of: ' ', '-'
  \d4     #   digits (0-9) (4 times)
)?          # end of grouping
\b          # the boundary between a word character (\w) and not a word character

其他选项

您可以考虑使用性能更快的stringi 库包。

> library(stringi)
> stri_extract_all_regex(text.var, '(?<!\\d)\\d5(?:[ -]\\d4)?\\b')

【讨论】：

效果很好。谢谢你。 cmets 也很有帮助！

刚刚看到你有一个正则表达式解释工具：liveforfaith.com/re/explain.pl 非常酷 :-) 我还将这些正则表达式转换成一个快速的 R 包。我想给你这个包的贡献者作者身份，这个包的名字超出了 SO 的 hwnd。如果您想使用您的真实姓名，请发送电子邮件github.com/trinker

【参考方案2】：

您可以像这样使用正则表达式：

"(?<!\\d)(\\d5(?:[-\\s]\\d4)?)\\b"

Working demo

【参考方案3】：

这对我有用，并且在您的所有示例中都给出了所需的输出：

"(?<!\\d)(\\d5(?:[- ]\\d4)?)(?!\\d)"

【参考方案4】：

带有 LookArounds 的正则表达式：

(?<![0-9-])([0-9]5(?:[ -][0-9]4)?)(?![0-9-])`  

现场演示：http://regex101.com/r/hU9oK4/1

我们追求的东西：

[0-9]5 是最重要的部分，正好是 5 个数字

(?:[ -][0-9]4)?) 可选地后跟 4 个，但仅当用空格或减号连接时

边界，边界，边界：

(?<![0-9-])第一组：Negative LookBehind（确保没有数字或破折号）

(?![0-9-]) 最后一组：Negative LookAhead (—||— 相同的模式...)

额外的测试用例：

另一个 zip 09788-4234 后面没有空格 98712 987122 邮编或范围 12987-19222 ? 这个序列号 88101-8892-22912-9991-99101 怎么样？ 90872-8881

为什么？

Lo​​okArounds 不包含consume 字符 您不应该选择误报（例如，更长的编号中的前 5 位或后 5 位数字。） ZIP 可能位于单独的一行，或者位于开头或结尾 你可能会碰到一个无空格地址 以减号开头的 5 位数字不应是邮政编码

最后说明：这不是一个最终或防弹匹配代码，您可能仍会收集一些类似 zip 的代码，尤其是因为您要求的数字组之间的空间

_{个人说明：我发现 [0-9] 字符类对于 RegEx 的新手来说更清晰更容易理解，即使它们包含在 \d 中，但它们也更快，并且在 RegEx 风格之间具有更好的兼容性。另一方面，双重转义（例如\\d 读起来很丑）}

【讨论】：

R 中需要双转义

@hwnd 确实是 [0-9] 绕过需要双重转义 \d

【参考方案5】：

qdapRegex 包具有rm_zip 函数（基于@hwnd 的响应）：

rm_zip(text.var)
rm_zip(text.var, extract=TRUE)

> rm_zip(text.var, extract=TRUE)
[[1]]
[1] NA

[[2]]
[1] NA

[[3]]
[1] "12345"

[[4]]
[1] NA

[[5]]
[1] "12345-6789" "12345-6789"

[[6]]
[1] "12345 6789" "12345 6789"

[[7]]
[1] NA