如何在不知道 R 中的单词的情况下匹配某个字符后的单词？

Question

我想匹配文本中 - 之后的单词，如果匹配的单词是另一个单词的结尾，那么我想在单词和匹配的单词之间进行拆分。

文本示例：

JOHN LION - XYZ RAN RUN TREEABC GRASS - ABC LIMB RAN RUN LION -XYZ JOG SUN
SKY - ABC LION JOHN PONDABC RUN - PDF STONE

我希望文本看起来像什么：

JOHN LION - XYZ RAN RUN TREE ABC GRASS - ABC LIMB RAN RUN LION -XYZ JOG SUN
SKY - ABC LION JOHN POND ABC RUN - PDF STONE

我不想在 ABC 上做一个 grepl 和一个 gsub 因为破折号后面的词总是在变化并且会出现多次。此外，匹配词前面的词也总是不同的，并不总是 TREE。无论匹配到的词前面是什么词，我总是想拆分。

如果我执行以下操作 str_extract:

str_extract(df, "(?<=-\s)\w+")

然后我匹配 XYZ 而不是 ABC.

我只想匹配 - 之后的单词，如果它也在另一个单词的末尾，但我又不知道另一个单词是什么。

我不知道该怎么办。如果需要任何进一步的信息，请告诉我。任何帮助将不胜感激。

Answer 1

这是一种稍微老套的方法。我们称数据为 s:

s <- 'JOHN LION - XYZ RAN RUN TREEABC GRASS - ABC LIMB RAN RUN LION -XYZ JOG SUN SKY - ABC LION JOHN PONDABC RUN - PDF STONE'

有了 stringr，让我们使用现有的正则表达式来提取要匹配的模式：

library(stringr)
pat <- str_extract_all(s, "(?<=-\s)\w+")

使用这些模式查找所有在模式之前具有非白色space 字符且在模式之后具有 space 字符的单词（即需要 spaces 的单词）：

words <- str_extract_all(s, paste0('[A-Za-z0-9]+', pat[[1]], '\s'))

通过将模式替换为 space 然后再替换模式，在这些词中插入 spaces。要一次完成所有操作，您需要使用 lapply，因为 str_extract_all 会生成一个列表。

words2 <- lapply(1:length(words), function(x){           # a little hacky
  str_replace_all(words[[x]], pat[[1]][x], paste0(' ', pat[[1]][x]))
})

要用固定的单词替换所有匹配的单词，我们需要运行 str_replace_all 每个单词和替换，所以我们要么需要在循环时更新 s sapply:

sapply(1:length(words), function(x){                               # hacky
  s <<- str_replace_all(s, unlist(words)[x], unlist(words2)[x])    # hackier
})

这会产生一些无用的输出但会更新 s，或者使用 for 循环，这样更干净一些：

for(x in 1:length(words)){
  s <- str_replace_all(s, unlist(words)[x], unlist(words2)[x])
}

无论哪种方式，我们得到

> s
[1] "JOHN LION - XYZ RAN RUN TREE ABC GRASS - ABC LIMB RAN RUN LION -XYZ JOG SUN SKY - ABC LION JOHN POND ABC RUN - PDF STONE"

如何在不知道 R 中的单词的情况下匹配某个字符后的单词？

How to match a word after a certain character with out knowing the word in R?

regex

r

gsub

stringr

grepl