如何有效地从R的data.table列中的文本中提取数字

Question

我正在学习数据科学的R，并使用以下几行代码从数据中提取数字（使用data.table）：

library(stringr)
library(data.table)
prods[, weights := str_extract(NombreProducto, "([0-9]+)[kgKG]+")]
prods[, weights := str_extract(weights, "[0-9]+")]
prods[, weights := as.numeric(weights)]

这是我要从中提取数字/文本的“ NombreProducto”字段的示例：

"Tostado 210g CU BIM 1182"

有没有一种简洁的方法来做到这一点？ 我试过了

prods[, weights := str_match(NombreProducto, "([0-9]+)[kgKG]+")[2]]

但会将“权重”列中的所有内容设置为data.table的第一个结果。 顺便说一下，这是来自Grupo Bimbo Kaggle比赛。

Answer 1

如果不使用stringr ，则可以仅将sub与".*?(\\\\d+)[kgKG].*"并返回引用：

s = "Tostado 210g CU BIM 1182"

sub(".*?(\\d+)[kgKG].*", "\\1", s)
# [1] "210"

• 使用(\\\\d+)[kgKG]来匹配数字，后跟k, K, g, G字母；
• 在模式之前和之后指定.* ，以便可以删除模式以外的其他字符串；
• 使用? 在第一个.*上使比赛不准备就绪，以便保留所有三位数字；
• 使用\\\\1引用捕获组(\\\\d+) ;

Answer 2

我们可以使用regex stringr在单行stringr它与stringr一起使用。

prods[, weights := as.numeric(str_extract(NombreProducto, "([0-9]+)(?=[kgKG])"))]