提取两个特定单词之间的字符串，但允许 R 中的不匹配

Question

我有以下字符串。

string =c("today is Oscar")

我想提取今天和Oscar之间的所有内容，但在今天和Oscar中最多允许两个不匹配/错别字。

在这种情况下，预期的结果将is ，但是在今天和 Oscar 之间有一些字符串有另一个词。 错别字可以出现在今天和Oscar中的任何字母中。

我目前正在查看 agrep package。 任何帮助或指导表示赞赏。

Answer 1

如果我对您的理解正确，您想从向量中提取动词（即中间子字符串），前提是其左侧和右侧的单词最多 2 个插入/删除等远离"today \\w+ Oscar"图案。

如果该前提是正确的，您可以首先使用agrep （或agrepl ）在满足该条件的字符串上对向量进行子集化，然后在捕获组(...)的中间捕获 substring 并使用反向引用\\1引用它在sub的替换参数中：

sub("\\w+ (\\w+) \\w+", "\\1", string[agrepl("today \\w+ Oscar", string, max.distance = list(all = 2), ignore.case = T, fixed = F)])
[1] "IS"    "drive" "goes"

注意：参数all指定“所有转换（插入、删除和替换）的最大数量/分数”； 或者使用： insertions 、 deletions和substitutions 。

模拟数据：

string = c("today IS Oscar", "today drive car", "tody goes Oscar", "tomorrow was Oscar")

• "today IS Oscar"完全匹配为ignore.case = T确保大小写无关紧要
• "today drive car"是一个模糊匹配，因为car离Oscar只有 2 步
• "tody goes Oscar"是一个模糊匹配，因为tody离today只有一步之遥，而且
• "tomorrow was Oscar"根本不匹配，因为tomorrow距离today超过 2 步