R中的字符串匹配和操作

Question

我在清理数据方面取得了进展：

df1 <- data.frame(ID=(c("18.1010-2.570322","171114-238509","140808-3481906  
","18055656193","180625-378224","190903-2793831 / -9311442 / -6810125","190808-625-6692","190 807 - 7941125","1807298087721Roland","19060881t1676")),
                  True_ID = c("181010-2570322","171114-2385039","190808-4381906","180556-5619343","180625-3782242", "190903-2793831 190903-9311442 
                              190903-6810125", "190808-6256692","190807-7941125","180729-8087721","190608-8112676"))

真实值是这样的：190312-4184811。 所以有一个模式，前六个整数是一个日期，如 19 = 2019 03 = 三月和 12 = 天。 其他七个数字是随机的。 我清理了很多非信息模式，但在这里我不知道如何处理这么多不同的模式。

我尝试过类似的方法，但我认为可以有更好的方法：

a = str_extract(data_file$IP_P,"(^|[ ])[:digit:]{6}\\-[:digit:]{7}([ ]|$)")
b = str_extract(data_file$IP_P,"(^|[ ])[:digit:]{5}\\-[:digit:]{7}([ ]|$)")
c = str_extract(data_file$IP_P,"(^|[ ])[:digit:]{4}\\-[:digit:]{7}([ ]|$)")
d = str_extract(data_file$IP_P,"(^|[ ])[:digit:]{6}\\-[:digit:]{6}([ ]|$)")
e = str_extract(data_file$IP_P,"(^|[ ])[:digit:]{6}\\-[:digit:]{5}([ ]|$)")
f = str_extract(data_file$IP_P,"(^|[ ])[:digit:]{6}\\-[:digit:]{4}([ ]|$)")
g = str_extract(data_file$IP_P,"(^|[ ])[:digit:]{6}\\-[:digit:]{8}([ ]|$)")
h = str_extract(data_file$IP_P,"(^|[ ])[:digit:]{6}\\-[:digit:]{9}([ ]|$)")

data_file["Extracted_i"] = NA

data1 <- data.frame(a,b,c,d,e,f,g,h) 
data1 <- data1 %>% unite("z", a:h, remove = FALSE)
data_file["Extracted_i"] =gsub("[^0-9\\.\\-]", "", data1$z)

Answer 1

难道你不能只是去掉所有非数字字符来给出所有数字的字符串，然后用连接“-”将前 6 个和第二个 6 粘贴在一起吗？

paste(substr(gsub("\\D", "", df1$ID), 1, 6), 
      substr(gsub("\\D", "", df1$ID), 7, 12), 
      sep = "-")
#> [1] "181010-257032" "171114-238509" "140808-348190" "180556-56193"  
#> [5] "180625-378224" "190903-279383" "190808-625669" "190807-794112" 
#> [9] "180729-808772" "190608-811676"

Answer 2

我们还可以使用gsub将字符捕获为一个组，并在替换中指定捕获组的反向引用（ \\\\1 , \\\\2 ）

gsub("^(.{1,6})(.{1,6}).*", "\\1-\\2", gsub("\\D+", "", df1$ID))
#[1] "181010-257032" "171114-238509" "140808-348190" "180556-56193"  
#[5] "180625-378224" "190903-279383" "190808-625669" "190807-794112"
#[9] "180729-808772" "190608-811676"