R中的环视正则表达式模式

Question

我坚持创建正确的正则表达式模式，该模式将拆分我的数据框列的内容，而不会让我失去任何元素。 我必须使用tidyr包中的tidyr separate()函数，因为这是较长处理管道的一部分。 由于我不想丢失字符串中的任何元素，因此我正在开发一个前瞻/后视表达式。

需要拆分的字符串可以遵循以下模式之一：

• 只有字母（例如'abcd'）
• 字母-破折号-数字（例如'abcd-123'）
• 字母数字（例如'abcd1234'）
  列内容应最多分为 3 列，每组一列。

我想在每次元素更改时拆分，所以在字母和破折号之后。 可以有一个或多个字母、一个或多个数字，但只能有一个破折号。 只包含字母的字符串，不需要拆分。

这是我尝试过的：

library(tidyr) 
myDat = data.frame(drugName = c("ab-1234", 'ab-1234', 'ab-1234',
                                'placebo', 'anotherdrug', 'andanother',
                                'xyz123', 'xyz123', 'placebo', 'another',
                                'omega-3', 'omega-3', 'another', 'placebo'))
drugColNames = paste0("X", 1:3) 

# This pattern doesn't split strings that only consist of number and letters, e.g. "xyz123" is not split after the letters.
pat = '(?=-[0-9+])|(?<=[a-z+]-)'

# This pattern splits at all the right places, but the last group (the numbers), is separated and not kept together.
# pat = '(?=-[0-9+]|[0-9+])|(?<=[a-z+]-)'

splitDat = separate(myDat, drugName,
         into = drugColNames,
         sep = pat)

拆分的输出应该是：

"ab-1234" --> "ab" "-" "123"
"xyz123" --> "xyz" "123"
"omega-3" --> "omega" "-" "3"

非常感谢您在这方面提供帮助。 :)

Answer 1

在这里使用extract会更容易，因为我们没有固定的分隔符，这也将避免使用正则表达式查找。

tidyr::extract(myDat, drugName, drugColNames, '([a-z]+)(-)?(\\d+)?', remove = FALSE)

#      drugName          X1 X2   X3
#1      ab-1234          ab  - 1234
#2      ab-1234          ab  - 1234
#3      ab-1234          ab  - 1234
#4      placebo     placebo        
#5  anotherdrug anotherdrug        
#6   andanother  andanother        
#7       xyz123         xyz     123
#8       xyz123         xyz     123
#9      placebo     placebo        
#10     another     another        
#11     omega-3       omega  -    3
#12     omega-3       omega  -    3
#13     another     another        
#14     placebo     placebo        

Answer 2

您可以使用

> extract(myDat, "drugName",drugColNames, "^([[:alpha:]]+)(\\W*)(\\d*)$", remove=FALSE)
      drugName          X1 X2   X3
1      ab-1234          ab  - 1234
2      ab-1234          ab  - 1234
3      ab-1234          ab  - 1234
4      placebo     placebo        
5  anotherdrug anotherdrug        
6   andanother  andanother        
7       xyz123         xyz     123
8       xyz123         xyz     123
9      placebo     placebo        
10     another     another        
11     omega-3       omega  -    3
12     omega-3       omega  -    3
13     another     another        
14     placebo     placebo        
> 

用于提取数据的正则表达式是

^([[:alpha:]]+)(\W*)(\d*)$

请参阅正则表达式演示。

细节

• ^ - 字符串的开始
• ([[:alpha:]]+) - 第 1 组（第X1列）：一个或多个字母
• (\\W*) - 第 2 组（第X2列）：一个或多个非单词字符
• (\\d*) - 第 3 组（第X3列）：一位或多位数字
• $ - 字符串的结尾。

要删除原始列，请删除remove=FALSE 。