正则表达式提取所有后续单词的第一个单词+第一个字符

Question

我是（新手）使用 R 和正则表达式编写正则表达式来操作data.frame列中的字符串。 我的数据在 R 中是这样的：

c1                       
Peter Parker            
Hawk & Dove             
J Jonah Jameson         
3JPX spo                
Bruce Wayne              

我想要得到的是第二列“c2”，它由以下字符串组成：

c2
PeterP
Hawk&D
JJJ
3JPXs
BruceW

基本上我想要字符串的整个第一个单词（无论长度如何）以及后面每个单词的第一个字母数字元素。 我无法为此找到任何功能或逻辑。 用正则表达式可以这样做吗？

提前致谢

Answer 1

这是使用gsub的基本 R 方法：

x <- c("Peter Parker", "Hawk & Dove", "J Jonah Jameson", "3JPX spo", "Bruce Wayne")
output <- gsub("\\s+(\\S)\\S*(?!\\S)", "\\1", x, perl=TRUE)
output

[1] "PeterP" "Hawk&D" "JJJ"    "3JPXs"  "BruceW"

正则表达式\\s+(\\S)\\S*(?!\\S)匹配一个或多个空格字符，然后匹配并捕获名称组件的第一个字符。 它还使用名称组件的其余部分，仅替换为捕获的第一个字符。

如果您对上述内容仍然不清楚，下面是正则表达式模式的工作原理，一步一步：

\s+    match one or more space characters
(\S)   then match AND capture the first character of the name-word
\S*    match the remainder of the name-word
(?!\S) assert that what follows the end of the name-word is either a space
       or the end of the string

对gsub的调用中的替换只是\\1 ，它是第一个也是唯一的捕获组，对应于每个名字的第一个字母，超出了第一个名字。

Answer 2

虽然不是特别的正则表达式解决方案，但另一种不同的方法可能是通过分隔每个单词以长格式获取数据，按原样获取第一个单词并仅从剩余的单词中获取第一个字符并粘贴它们。

library(dplyr)

df %>%
  group_by(row = row_number()) %>%
  tidyr::separate_rows(c1, sep = "\\s+") %>%
  summarise(c2 = paste0(first(c1) , paste0(substr(c1[-1], 1, 1), collapse = "")),
            c1 = paste(c1, collapse = " ")) %>%
  select(c1, c2, -row)

#   c1              c2    
#  <chr>           <chr> 
#1 Peter Parker    PeterP
#2 Hawk & Dove     Hawk&D
#3 J Jonah Jameson JJJ   
#4 3JPX spo        3JPXs 
#5 Bruce Wayne     BruceW

数据

df <- structure(list(c1 = c("Peter Parker", "Hawk & Dove", "J Jonah Jameson", 
"3JPX spo", "Bruce Wayne")), row.names = c(NA, -5L), class = "data.frame")

Answer 3

unglue的开发版本具有multiple参数，它可以是一个应用于同名匹配的函数（这里我们想将它们与paste0()连接起来）。 在我们的例子中，我们想要匹配完整的第一个单词，然后匹配所有序列中由空格分隔的第一个字符，并且在第一个单词之后有 1 个或 2 个这样的序列：

# remotes::install_github("moodymudskipper/unglue")
library(unglue)
patterns <- c(
  "{c2} {c2=\\S}{=\\S*} {c2=\\S}{=\\S*}",
  "{c2} {c2=\\S}{=\\S*}")

unglue_data(df$c1, patterns, multiple = paste0)
#>       c2
#> 1 PeterP
#> 2 Hawk&D
#> 3    JJJ
#> 4  3JPXs
#> 5 BruceW