R中2个逗号之间文本数据的正则表达式提取

Question

我在数据框 (df) 中有一堆文本，通常在 1 列中包含三行地址，我的目标是提取地区（文本的中心部分），例如：

73 Greenhill Gardens, Wandsworth, London
22 Acacia Heights, Lambeth, London

对我来说幸运的是，在 95% 的情况下，输入数据的人使用逗号分隔我想要的文本，其中 100% 的时间以“, London”结尾（即逗号 space London）。 为了清楚地说明事情，我的目标是提取“, London”之前和逗号之后的文本

我想要的输出是：

Wandsworth
Lambeth

我可以设法提取之前的部分：

df$extraction <- sub('.*,\s*','',address)

及之后

df$extraction <- sub('.*,\s*','',address)

但不是我需要的中间部分。有人可以帮忙吗？

非常感谢！

Answer 1

您可以省去正则表达式的麻烦，将矢量视为 CSV，使用文件读取功能提取相关部分。我们可以使用 read.csv()，利用 colClasses 可用于删除列的事实。

address <- c(
    "73 Greenhill Gardens, Wandsworth, London", 
    "22 Acacia Heights, Lambeth, London"
)

read.csv(text = address, colClasses = c("NULL", "character", "NULL"), 
    header = FALSE, strip.white = TRUE)[[1L]]
# [1] "Wandsworth" "Lambeth"

或者我们可以使用 fread()。它的 select 参数很好，它会自动去除白色 space。

data.table::fread(paste(address, collapse = "\n"), 
    select = 2, header = FALSE)[[1L]]
# [1] "Wandsworth" "Lambeth"

Answer 2

这里有一些方法：

# target ", London" and the start of the string
# up until the first comma followed by a space,
# and replace with ""
gsub("^.+?, |, London", "", address)
#[1] "Wandsworth" "Lambeth"

或

# target the whole string, but use a capture group 
# for the text before ", London" and after the first comma.
# replace the string with the captured group.
sub(".+, (.*), London", "\1", address)
#[1] "Wandsworth" "Lambeth"

Answer 3

你可以试试这个

(?<=, )(.+?),

适用于任何数据集位置不必在伦敦。

Answer 4

这里有两个不依赖于相同城市名称的选项。第一个使用 stringr::str_extract():

的正则表达式模式

raw_address <- c(
  "73 Greenhill Gardens, Wandsworth, London", 
  "22 Acacia Heights, Lambeth, London",
  "Street, District, City"
)

df <- data.frame(raw_address, stringsAsFactors = FALSE)

df$distict = stringr::str_extract(raw_address, '(?<=,)[^,]+(?=,)')

> df
                               raw_address     distict
1 73 Greenhill Gardens, Wandsworth, London  Wandsworth
2       22 Acacia Heights, Lambeth, London     Lambeth
3                   Street, District, City    District

第二个使用 strsplit() 并使获取地址的其他元素更容易：

df$address <- sapply(strsplit(raw_address, ',\s*'), `[`, 1) 
df$distict <- sapply(strsplit(raw_address, ',\s*'), `[`, 2)
df$city <- sapply(strsplit(raw_address, ',\s*'), `[`, 3)

> df
                               raw_address              address    distict   city
1 73 Greenhill Gardens, Wandsworth, London 73 Greenhill Gardens Wandsworth London
2       22 Acacia Heights, Lambeth, London    22 Acacia Heights    Lambeth London
3                   Street, District, City               Street   District   City

拆分在 ,\s* 上完成，以防没有 space 或逗号后有多个 space。

R中2个逗号之间文本数据的正则表达式提取

Regex extraction of text data between 2 commas in R

regex

r

stringr