在R中提取子字符串最多为双下划线

Posted 2023-03-23

【中文标题】在R中提取子字符串最多为双下划线

【英文标题】：Extracting sub-string up to a double underscore in R

【发布时间】：2021-06-30 14:12:30

【问题描述】：

我正在尝试提取字符向量中的子字符串，直到双下划线，即“__”

例如，假设我有以下data.table：

require(data.table)
Temp <- data.table(Name = paste0(c("Max_drawdown__","Expectancy__"),
                                 "anything_else"))

目标输出如下：

Target_output <- c("Max_drawdown","Expectancy")

我可以使用 strsplit 实现这一点，如下所示：

Temp[,do.call(rbind,strsplit(Name,"__"))[,1]]

但是，我很想了解如何使用正则表达式来实现它。

我尝试使用 stringr 包中的“str_extract”，如下所示：

require(stringr)
Temp[,str_extract(Name,"[^__]*")]

在我试图提取的“Max_drawdown”前缀中的第一个“_”处卡住了。

有人可以帮我提供一个正则表达式解决方案并解释其背后的逻辑吗？

【参考方案1】：

使用以下正则表达式，您可以获得两个下划线之前的所有字符。 [] 是一个字符类，只定义允许的字符或 [^] 不允许的字符。 [^__] 不表示后面没有两个下划线。

^(.*)[_]2

【讨论】：

感谢安德烈的解释和解决方案。我还希望从输出中删除“”。使用您的代码，我有： Temp[,gsub("","",str_extract(Name,"^(.*)[]2"))] ...这将实现它。有没有更简单的方法使用正则表达式返回不包括“_”的子字符串？谢谢（不知道为什么上面加粗了我评论的一部分。这不是故意的！另外，gsub 的第一部分有双下划线，但由于某种原因它没有出现在评论中）

@Phil 那么您需要在 R 中进行“正则替换”。那么正则表达式将是 [_]1,2。我不知道 R。在 php 中它看起来像这样：$string = preg_replace('/[_]1,2/', '', 'Max_drawdown__'); // Maxdrawdown

【参考方案2】：

您可以提取所有内容，直到双下划线。使用sub，您可以这样做：

library(data.table)
Temp[, Name := sub('(.*?)__.*', '\\1', Name)]
Temp

#           Name
#1: Max_drawdown
#2:   Expectancy

【讨论】：

感谢 Ronak！

【参考方案3】：

不需要贡献包 (stringr)，base R 可以做到。

提取双下划线前的字符串：

Temp[, Name := sub("(^.*)__.*$", "\\1", Name)]
Temp
#           Name
#1: Max_drawdown
#2:   Expectancy

提取双下划线后的字符串：

Temp[, Name := sub("^.*__", "", Name)]
Temp
#            Name
#1: anything_else
#2: anything_else

【讨论】：

谢谢瑞。我实际上是在寻找子字符串的组成部分，直到双下划线（而不是字符串的“anything_else”部分）。但是，我可以使用您上面引用的正则表达式来提取子字符串的第一部分，然后可能使用 gsub 删除双下划线（请参阅对 Andre 的回复了解我所指的内容）。谢谢

@Phil 很抱歉造成误解，现在已更正，请参阅编辑。

感谢更新！