R：使用零寬度前瞻提取二元組

Question

我想從句子中提取二元組，使用此處描述的正則表達式並將輸出存儲到引用原始列的新列中。

library(dplyr)
library(stringr)
library(splitstackshape)

df  <- data.frame(a =c("apple orange plum"))

# Single Words - Successful
df %>%
  # Base R
  mutate(b =  sapply(regmatches(a,gregexpr("\\w+\\b", a, perl = TRUE)),
                     paste, collapse=";")) %>%
  # Duplicate with Stringr
  mutate(c =  sapply(str_extract_all(a,"\\w+\\b"),paste, collapse=";")) %>%
  cSplit(., c(2,3), sep = ";", direction = "long")

最初，我認為問題似乎出在正則表達式引擎上，但stringr::str_extract_all (ICU) 和base::regmatches (PCRE) 都base::regmatches 。

# Bigrams - Fails
df %>%
  # Base R
  mutate(b =  sapply(regmatches(a,gregexpr("(?=(\\b\\w+\\s+\\w+))", a, perl = TRUE)),
                     paste, collapse=";")) %>%
  # Duplicate with Stringr
  mutate(c =  sapply(str_extract_all(a,"(?=(\\b\\w+\\s+\\w+))"),paste, collapse=";")) %>%
  cSplit(., c(2,3), sep = ";", direction = "long")

因此，我猜測問題可能與在捕獲組周圍使用零寬度前瞻有關。 R 中是否有任何有效的正則表達式可以提取這些二元組？

Answer 1

正如@WiktorStribiżew 所建議的，在這里使用str_extract_all幫助。 以下是如何將其應用於數據框中的多行。 讓

(df <- data.frame(a = c("one two three", "four five six")))
#               a
# 1 one two three
# 2 four five six

那么我們可以做

df %>% rowwise() %>% 
  do(data.frame(., b = str_match_all(.$a, "(?=(\\b\\w+\\s+\\w+))")[[1]][, 2], stringsAsFactors = FALSE))
# Source: local data frame [4 x 2]
# Groups: <by row>
#
# A tibble: 4 x 2
#   a             b        
# * <fct>         <chr>    
# 1 one two three one two  
# 2 one two three two three
# 3 four five six four five
# 4 four five six five six

其中stringsAsFactors = FALSE只是為了避免來自綁定行的警告。