使用 stringr 从 R 中的系列中提取最后 4 位数字

Question

我想展平从 HTML 表中提取的列表。下面介绍了一个最小的工作示例。该示例取决于 R 中的 stringr 包。第一个示例展示了所需的行为。

years <- c("2005-", "2003-")
unlist(str_extract_all(years,"[[:digit:]]{4}"))

[1] "2005" "2003"

当我尝试匹配一系列其他数字中的最后一个 4 位数字时，下面的示例会产生不良结果。

years1 <- c("2005-", "2003-", "1984-1992, 1996-")
unlist(str_extract_all(years1,"[[:digit:]]{4}$"))

character(0)

据我了解文档，我应该在模式末尾包含 $ 以便在字符串末尾请求匹配。我更愿意匹配第二个示例中的数字“2005”、“2003”和“1996”。

Answer 1

\d{4}[^\d]*$

尝试 this.This 应该为 you.See 演示做。

https://regex101.com/r/kG5pN6/2

Answer 2

stringi 包具有对字符串的特定部分进行操作的便捷函数。所以你可以找到最后出现的四位连续数字，如下所示。

library(stringi)

x <- c("2005-", "2003-", "1984-1992, 1996-")

stri_extract_last_regex(x, "\d{4}")
# [1] "2005" "2003" "1996"

获得相同结果的其他方法是

stri_sub(x, stri_locate_last_regex(x, "\d{4}"))
# [1] "2005" "2003" "1996"

## or, since these count as words
stri_extract_last_words(x)
# [1] "2005" "2003" "1996"

## or if you prefer a matrix result
stri_match_last_regex(x, "\d{4}")
#      [,1]  
# [1,] "2005"
# [2,] "2003"
# [3,] "1996"

Answer 3

你可以很容易地使用 base R sub:

sub('.*(\d{4}).*', '\1', years1)

## [1] "2005" "2003" "1996"

这里要匹配的模式是.*（任意字符的零个或多个）后跟\d{4}（四个连续的数字，我们通过括在括号中捕获），后跟零或更多字符。

sub 用第二个参数中的值替换匹配的模式。在这种情况下，\1 表示我们要用第一个捕获的子字符串（即四个连续的数字）替换整个匹配模式。

这里的正则表达式是贪婪的，所以它会绕过 \d{4} 的早期匹配，用 .* 消耗它们。仅捕获四个连续数字的最后一个序列。

Answer 4

字符串结尾 $ 锚点断言字符串结尾的位置。

也就是说，正好匹配字符串末尾的四位数字。不幸的是，发生的事情是数字试图匹配，然后正则表达式引擎继续尝试断言该位置并失败，因为没有在这个位置并连续回溯试图匹配它们。

要解决此问题，您可以greed简单地使用所有字符，直到最后一组数字。

years1 <- c('2005-', '2003-', '1984-1992, 1996-')
unlist(str_extract_all(years1, perl('.*\K\d{4}')))
# [1] "2005" "2003" "1996"

使用 stringr 从 R 中的系列中提取最后 4 位数字

Extract last 4-digit number from a series in R using stringr

regex

r

stringr