R中的（^ | \\\\ s）（[AZ] {1,3}）（\\\\ s | $）和\\\\ b [AZ] {1,2} \\\\ b正則表達式之間的差異

Question

我正在嘗試清除R數據幀的一列中存儲的一些小字符串（1-3個字母）。 具體來說，假設下一個R腳本：

df = data.frame( "original" = c("ABCDE FG H",
                            "IJKL MN OPQRS", 
                            "TUV WX YZ AAAA"))
df$filter1 = gsub("(^|\\s)[A-Z]{1,2}($|\\s)", " ", df$original)
df$filter2 = gsub("\\b[A-Z]{1,2}\\b", " ", df$original)

> df

        original |    filter1 |    filter2  |
1     ABCDE FG H |    ABCDE H |    ABCDE    |
2  IJKL MN OPQRS | IJKL OPQRS | IJKL   OPQRS|
3 TUV WX YZ AAAA | TUV YZ AAAA|  TUV   AAAA |

我不明白為什么第一個過濾器(^|\\\\s)[AZ]{1,2}($|\\\\s)不替換第一行中的“ H”或第三行中的“ YZ” 。 我期望使用\\\\b[AZ]{1,2}\\\\b作為過濾器（filter2列）的結果相同。 請不要擔心多個空格，這對我來說並不重要（除非這將是問題:)）。

我以為問題是操作的“全局性”，也就是說，如果發現第一個不替換第二個，但是如果我執行下一個替換就不正確：

> gsub("A", "X", "AAAABBBBCCCDDDDAAAAAAAEEE")
[1] "XXXXBBBBCCCDDDDXXXXXXXEEE"

那么，結果為何不同？

Answer 1

關鍵是gsub只能匹配不重疊的字符串。 FG是第一個預期匹配項， H是第二個預期匹配項，您可以看到這些字符串重疊 ，因此，在"(^|\\\\s)[AZ]{1,2}($|\\\\s)"消耗了FG ， H之后的尾隨空格與模式不匹配。

外觀：從左到右分析ABCDE FG H 。 該表達式與FG匹配，並且正則表達式索引位於H之前。 只有一個字母要匹配，但是(^|\\s)需要空格或字符串開頭-該位置沒有字母。

要“修復”此問題並使用相同的邏輯，可以將PCRE regex gsub與lookarunds結合使用 ：

df$filter1 = gsub("(^|\\s)[A-Z]{1,2}(?=$|\\s)", " ", df$original, perl=TRUE)

要么

df$filter1 = gsub("(?<!\\S)[A-Z]{1,2}(?!\\S)", " ", df$original, perl=TRUE)

如果需要實際使用（刪除）空格，只需在之前（或之后）添加\\\\s* 。

第二個表達式"\\\\b[AZ]{1,2}\\\\b"包含單詞邊界，它們是不占用文本的零寬度斷言，因此，由於空格，正則表達式引擎可以同時匹配FG和H不消耗。