從R中的列表中除了特定正則表達式之外的所有內容

Question

我想替換一個與給定模式不匹配的列表中的所有內容。 我正在使用R版本3.1.3（2015-03-09） - “光滑的人行道”

我的示例列表是：

y <- c("D CCNA_01234 This is example 1 bis", "D CCNA_02345 This is example 2", "D CCNA_12345 This is example 3", "D CCNA_23468 This is example 4")

我要匹配的模式是CCNA_01234，其中數字在每種情況下都不相同，但總是5位數。

所需的輸出是：

"CCNA_01234" "CCNA_02345" "CCNA_12345" "CCNA_23468"

到目前為止，我已經刪除了前一部分的比賽：

y_begin_rm <- sub("D ", "", y)

但我在識別匹配[^ match]表達式時遇到了問題。

y_CCNA_numbers <- sub("[^CCNA_[0-9][0-9][0-9][0-9][0-9]]*$", "", y_begin_rm)

產生輸出：

[1] "CCNA_01234 This is example 1 bis" "CCNA_02345 This is example 2"
[3] "CCNA_12345 This is example 3" "CCNA_23468 This is example 4"

似乎問題是匹配中指定的數字完全通過字符串查看，而不是我想要的確切組合。 因此，“這是一個例子”之后的數字正在造成很多麻煩。 當我省略數字或放置一個僅在CCNA_string之后的數字時，它可以正常工作：

y_CCNA <- sub("[^CCNA_]*$", "", y_begin_rm)

報復

[1] "CCNA_" "CCNA_" "CCNA_" "CCNA_"

要么

y_CCNA_0 <- sub("[^CCNA_0]*$", "", y_begin_rm[1])

結果是

[1] "CCNA_0"

有沒有辦法指定我正在尋找的確切模式（CCNA_ [0-9] [0-9] [0-9] [0-9] [0-9]）？ 此外，是否有可能在一個步驟中執行此操作（在單個正則表達式中匹配之前和之后刪除）？

提前致謝！

Answer 1

使用基數R，您可以直接從原始向量y

sub(".*(CCNA_\\d+).*", "\\1", y)
## [1] "CCNA_01234" "CCNA_02345" "CCNA_12345" "CCNA_23468"

另一種選擇是使用stringi

library(stringi)
stri_extract_first_regex(y, "CCNA_\\d+")
## [1] "CCNA_01234" "CCNA_02345" "CCNA_12345" "CCNA_23468"

如果每個字符串中有多個CCNA模式，請使用stri_extract_all_regex

如果您想在CCNA_之后准確匹配5位數，您也可以這樣做

stri_extract_first_regex(y, "CCNA_\\d{5}")
## [1] "CCNA_01234" "CCNA_02345" "CCNA_12345" "CCNA_23468"

當然與stringr類似

library(stringr)
str_extract(y, "CCNA_\\d{5}")
## [1] "CCNA_01234" "CCNA_02345" "CCNA_12345" "CCNA_23468"

Answer 2

以下是幾種方法：

1）strapplyc 。 這使用了一種特別簡單的模式。 它在gsubfn包中使用了strapplyc ：

library(gsubfn)
strapplyc(y, "CCNA_\\d{5}", simplify = TRUE)
## [1] "CCNA_01234" "CCNA_02345" "CCNA_12345" "CCNA_23468"

這是正則表達式的可視化：

CCNA_\d{5}

Debuggex演示

1a）如果CCNA_的唯一出現在5位之前，那么我們可以稍微簡化以前的解決方案：

strapplyc(y, "CCNA_.{5}", simplify = TRUE)
## [1] "CCNA_01234" "CCNA_02345" "CCNA_12345" "CCNA_23468"

2）分 。 這里的模式稍微復雜一些，但使用sub我們可以在沒有任何插件包的情況下完成：

sub(".*(CCNA_\\d{5}).*", "\\1", y)
## [1] "CCNA_01234" "CCNA_02345" "CCNA_12345" "CCNA_23468"

3）strsplit如果所需的部分總是第二個“單詞”（在問題中是這種情況）那么這將起作用並且再次不需要包：

sapply(strsplit(y, " "), "[", 2)
## [1] "CCNA_01234" "CCNA_02345" "CCNA_12345" "CCNA_23468"

4）substr如果所需部分始終是問題中的字符3到12，那么我們可以再次使用substr或substring ，而不使用任何包：

substr(y, 3, 12)
## [1] "CCNA_01234" "CCNA_02345" "CCNA_12345" "CCNA_23468"

Answer 3

這是一種使用包維護qdapRegex （我更喜歡這個或stringi / stringr）的方法，以確保一致性和易用性。 我還展示了一種基本方法。 在任何情況下，我都將此視為一個“提取”問題，而不是“除了一切”之外的問題。

y <- c("D CCNA_01234 This is example 1 bis", "D CCNA_02345 This is example 2", 
    "D CCNA_12345 This is example 3", "D CCNA_23468 This is example 4")

library(qdapRegex)
unlist(rm_default(y, pattern = "CCNA_\\d{5}", extract = TRUE))

## [1] "CCNA_01234" "CCNA_02345" "CCNA_12345" "CCNA_23468"

在基地R：

unlist(regmatches(y, gregexpr("CCNA_\\d{5}", y)))

## [1] "CCNA_01234" "CCNA_02345" "CCNA_12345" "CCNA_23468"