提取单词的现有和缺失的左侧搭配

Posted 2023-02-14

【中文标题】提取单词的现有和缺失的左侧搭配

【英文标题】：Extract existing and missing left-hand collocates of a word

【发布时间】：2022-01-10 09:52:43

【问题描述】：

如果“like”是字符串中的第一个单词，我正在努力，例如“like”：

test_string = c("like like like lucy she likes it and she's always liked it.")

使用 str_extract_all 和否定字符类 \\S 我已经接近了 - 但还不够接近（奇怪的是，第二个搭配的“l”被省略了）：

library(stringr)
unlist(str_extract_all(test_string, "(^|\\S+)(?=\\s?\\blike\\b)"))
[1] ""     "ike"  "like"

使用这种模式，我错过了 missing 搭配：

unlist(str_extract_all(test_string, "('?\\b[a-z']+\\b|^)(?=\\s?\\blike\\b)"))
[1] "like" "like"

正确的结果应该是这样的：（"" 代表字符串开头的“like”的 missing 搭配）

[1] ""     "like"  "like"

我想知道，这里的错误在哪里？如何改进提取？

【问题讨论】：

如果您不关心开头是否出现空匹配，您可以使用unlist(str_extract_all(test_string, "\\S+(?=\\s+like\\b)|(?<=^like\\b)"))（作为一种解决方法）。

让我快速解释一下这个问题：一旦找到空匹配，就会返回空字符串，并且正则表达式索引会前进到字符串中的下一个位置，因此不允许在同一位置进行两个匹配，一个空字符串和从该位置开始的单词。

我没有时间这样做，因此您可以尝试的解决方法是匹配并捕获您需要的项目。不过，您将需要重新排序捕获。见res <- str_match_all(test_string, "(^)(?:\\s*(like)\\b)?|(\\S+)(?=\\s+like\\b)")。如果 Col 4 是 NA，则取 Col 2 和 Col 3，否则取 Col 4。

which 在 Wiktor 的（第一次）工作中返回空字符串位置，并建议第二步 likes[c(which(likes == ""), which(likes != ""))]，也许。

【参考方案1】：

您可以使用替换 | 来获取字符串开头的位置，并使用带有有限量词的后向断言进行匹配：

^ 字符串开始（这是位置） (?=like\b) 正向前瞻，断言like 后跟直接向右的单词边界 |或者 (?<= 正面回望 ^ 字符串开始 (?:like\s1,2)0,100 重复使用有限量词匹配，如后跟空白字符（也后跟有限量词） ) 近距离观察 like\b匹配like和一个词的边界

Regex demo | R demo

例子

test_string = c("like like like lucy she likes it and she's always liked it.")
library(stringr)
unlist(str_extract_all(test_string, "^(?=like\\b)|(?<=^(?:like\\s1,2)0,100)like\\b"))

输出

[1] ""     "like" "like"