从R中的列表中除了特定正则表达式之外的所有内容

Question

我想替换一个与给定模式不匹配的列表中的所有内容。 我正在使用R版本3.1.3（2015-03-09） - “光滑的人行道”

我的示例列表是：

y <- c("D CCNA_01234 This is example 1 bis", "D CCNA_02345 This is example 2", "D CCNA_12345 This is example 3", "D CCNA_23468 This is example 4")

我要匹配的模式是CCNA_01234，其中数字在每种情况下都不相同，但总是5位数。

所需的输出是：

"CCNA_01234" "CCNA_02345" "CCNA_12345" "CCNA_23468"

到目前为止，我已经删除了前一部分的比赛：

y_begin_rm <- sub("D ", "", y)

但我在识别匹配[^ match]表达式时遇到了问题。

y_CCNA_numbers <- sub("[^CCNA_[0-9][0-9][0-9][0-9][0-9]]*$", "", y_begin_rm)

产生输出：

[1] "CCNA_01234 This is example 1 bis" "CCNA_02345 This is example 2"
[3] "CCNA_12345 This is example 3" "CCNA_23468 This is example 4"

似乎问题是匹配中指定的数字完全通过字符串查看，而不是我想要的确切组合。 因此，“这是一个例子”之后的数字正在造成很多麻烦。 当我省略数字或放置一个仅在CCNA_string之后的数字时，它可以正常工作：

y_CCNA <- sub("[^CCNA_]*$", "", y_begin_rm)

报复

[1] "CCNA_" "CCNA_" "CCNA_" "CCNA_"

要么

y_CCNA_0 <- sub("[^CCNA_0]*$", "", y_begin_rm[1])

结果是

[1] "CCNA_0"

有没有办法指定我正在寻找的确切模式（CCNA_ [0-9] [0-9] [0-9] [0-9] [0-9]）？ 此外，是否有可能在一个步骤中执行此操作（在单个正则表达式中匹配之前和之后删除）？

提前致谢！

Answer 1

使用基数R，您可以直接从原始向量y

sub(".*(CCNA_\\d+).*", "\\1", y)
## [1] "CCNA_01234" "CCNA_02345" "CCNA_12345" "CCNA_23468"

另一种选择是使用stringi

library(stringi)
stri_extract_first_regex(y, "CCNA_\\d+")
## [1] "CCNA_01234" "CCNA_02345" "CCNA_12345" "CCNA_23468"

如果每个字符串中有多个CCNA模式，请使用stri_extract_all_regex

如果您想在CCNA_之后准确匹配5位数，您也可以这样做

stri_extract_first_regex(y, "CCNA_\\d{5}")
## [1] "CCNA_01234" "CCNA_02345" "CCNA_12345" "CCNA_23468"

当然与stringr类似

library(stringr)
str_extract(y, "CCNA_\\d{5}")
## [1] "CCNA_01234" "CCNA_02345" "CCNA_12345" "CCNA_23468"

Answer 2

以下是几种方法：

1）strapplyc 。 这使用了一种特别简单的模式。 它在gsubfn包中使用了strapplyc ：

library(gsubfn)
strapplyc(y, "CCNA_\\d{5}", simplify = TRUE)
## [1] "CCNA_01234" "CCNA_02345" "CCNA_12345" "CCNA_23468"

这是正则表达式的可视化：

CCNA_\d{5}

Debuggex演示

1a）如果CCNA_的唯一出现在5位之前，那么我们可以稍微简化以前的解决方案：

strapplyc(y, "CCNA_.{5}", simplify = TRUE)
## [1] "CCNA_01234" "CCNA_02345" "CCNA_12345" "CCNA_23468"

2）分 。 这里的模式稍微复杂一些，但使用sub我们可以在没有任何插件包的情况下完成：

sub(".*(CCNA_\\d{5}).*", "\\1", y)
## [1] "CCNA_01234" "CCNA_02345" "CCNA_12345" "CCNA_23468"

3）strsplit如果所需的部分总是第二个“单词”（在问题中是这种情况）那么这将起作用并且再次不需要包：

sapply(strsplit(y, " "), "[", 2)
## [1] "CCNA_01234" "CCNA_02345" "CCNA_12345" "CCNA_23468"

4）substr如果所需部分始终是问题中的字符3到12，那么我们可以再次使用substr或substring ，而不使用任何包：

substr(y, 3, 12)
## [1] "CCNA_01234" "CCNA_02345" "CCNA_12345" "CCNA_23468"

Answer 3

这是一种使用包维护qdapRegex （我更喜欢这个或stringi / stringr）的方法，以确保一致性和易用性。 我还展示了一种基本方法。 在任何情况下，我都将此视为一个“提取”问题，而不是“除了一切”之外的问题。

y <- c("D CCNA_01234 This is example 1 bis", "D CCNA_02345 This is example 2", 
    "D CCNA_12345 This is example 3", "D CCNA_23468 This is example 4")

library(qdapRegex)
unlist(rm_default(y, pattern = "CCNA_\\d{5}", extract = TRUE))

## [1] "CCNA_01234" "CCNA_02345" "CCNA_12345" "CCNA_23468"

在基地R：

unlist(regmatches(y, gregexpr("CCNA_\\d{5}", y)))

## [1] "CCNA_01234" "CCNA_02345" "CCNA_12345" "CCNA_23468"