R：正則表達式瘋狂（stringi）

Question

我有一個向量像這樣的字符串：

G30(H).G3(M).G0(L).Replicate(1)

迭代c("H", "M", "L") ，我想提取G30 （對於“ H ”）， G3 （對於“ M ”）和G0 （對於“ L ”）。

我的種種嘗試使我感到困惑regex101.com調試器，例如表明(\\w*)\\(M\\)正常，但是將其傳輸到R失敗...

Answer 1

使用stringi包和outer()函數：

library(stringi)

strings <- c(
  "G30(H).G3(M).G0(L).Replicate(1)",
  "G5(M).G11(L).G6(H).Replicate(9)",
  "G10(M).G6(H).G8(M).Replicate(200)"  # No "L", repeated "M"
)
targets  <- c("H", "M", "L")
patterns <- paste0("\\w+(?=\\(", targets, "\\))")
matches  <- outer(strings, patterns, FUN = stri_extract_first_regex)
colnames(matches) <- targets
matches
#      H     M    L    
# [1,] "G30" "G3" "G0" 
# [2,] "G6"  "G5" "G11"
# [3,] "G6"  "G10" NA

這將忽略目標字母后面的任何實例，在找不到目標字母時為您提供NA ，並以簡單矩陣形式返回所有內容。 存儲在patterns中的正則表達式匹配諸如XX(Y)子字符串，其中Y是目標字母，而XX是任意數量的單詞字符。

Answer 2

我敢肯定，有更好的解決方案，但這行得通...

jnk <- 'G30(H).G3(M).G0(L).Replicate(1)'
patter <- '([^\\(]+)\\(H\\)\\.([^\\(]+)\\(M\\)\\.([^\\(]+)\\(L\\)\\.Replicate\\(\\d+\\)'
H <- sub(patter, '\\1', jnk)
M <- sub(patter, '\\2', jnk)
L <- sub(patter, '\\3', jnk)

編輯：

實際上，我曾經發現一個很好的函數parse.one ，它使得像正則表達式一樣可以在python中搜索更多...

看看這個：

parse.one <- function(res, result) {
  m <- do.call(rbind, lapply(seq_along(res), function(i) {
    if(result[i] == -1) return("")
    st <- attr(result, "capture.start")[i, ]
    substring(res[i], st, st + attr(result, "capture.length")[i, ] - 1)
  }))
  colnames(m) <- attr(result, "capture.names")
  m
}
jnk <- 'G30(H).G3(M).G0(L).Replicate(1)'
pattern <- '(?<H>[^\\(]+)\\(H\\)\\.(?<M>[^\\(]+)\\(M\\)\\.(?<L>[^\\(]+)\\(L\\)\\.Replicate\\(\\d+\\)'
parse.one(jnk, regexpr(pattern, jnk, perl=TRUE))

結果如下：

> parse.one(jnk, regexpr(pattern, jnk, perl=TRUE))
     H     M    L   
[1,] "G30" "G3" "G0"

Answer 3

如果順序始終相同，則可以選擇拆分字符串。 例如：

string <- "G30(H).G3(M).G0(L).Replicate(1)"
tmp <- str_split(string, "\\.")[[1]]
lapply(tmp[1:3], function(x) str_split(x, "\\(")[[1]][1])
[[1]]
[1] "G30"

[[2]]
[1] "G3"

[[3]]
[1] "G0"

Answer 4

如果允許更改標簽（例如“（H）”）前面的代碼（例如“ G30”）或字符串中標簽的順序（不同的字母或長度），則可以嘗試使用更靈活的方法基於regexpr（）的解決方案。

aa <-paste("G30(H).G3(M).G0(L).Replicate(",1:10,")", sep="")
my.tags <- c("H","M", "L")

extr.data <- lapply(my.tags, (function(tag){
  pat <-  paste("\\(", tag, "\\)\\.", sep="")
  pos <- regexpr(paste("(^|\\.)([[:alnum:]])*", pat ,sep=""), aa)
  out <- substr(aa, pos, (pos+attributes(pos)$match.length - 4 - length(tag)))  
  gsub("(^\\.)", "", out) 
}))
names(extr.data) <- my.tags
extr.data

Answer 5

我將假設函數（G ...）是變量，輸入是變量。 這確實假設您的函數以G開頭，並且您的輸入始終為字母。

parse = function(arb){
  tmp = stringi::stri_extract_all_regex(arb,"G.*?\\([A-Z]\\)")[[1]]
  unlist(lapply(lapply(tmp,strsplit,"\\)|\\("),function(x){
    output = x[[1]][1]
    names(output) = x[[1]][2]
    return(output)
  }))
}

這首先解析所有G函數及其輸入。 然后，將它們分別分解為功能部分和輸入部分。 這是將以其輸入命名的函數放入一個字符向量中。

parse("G30(H).G3(M).G0(L).Replicate(1)")
>     H     M     L 
  "G30"  "G3"  "G0"

要么

parse("G35(L).G31(P).G02(K).Replicate(1)")
>     L     P     K 
  "G35" "G31" "G02"