仅提取与 R 中的正则表达式模式匹配的字符串部分

Question

我构建了一个从网页自动废弃的数据框，其中一个变量是文本形式“5 月 12 日”中的日期。

然而，有时观察结果会在日期后附加一些字符（在某些情况下是奇怪的字符），例如：“May 20 õ”、"Dez 1"、"Oct 12ABCdáé"。对于这些情况，我想用正确的字符替换该值，因此：“Dec 24”、“Oct 1”。

在谷歌多次搜索解决方案并尝试以下功能后：sub、gsub 和 grep，我找不到找到正确功能的方法。

我发现正则表达式的学习曲线很陡峭，但在使用该工具后 http://regexr.com/ 我可以定义正则表达式以匹配出现问题的观察中的模式。 ([A-Z]{1}[a-z]{2})\s\d+.*

此刻，我有以下例子：

vector = c("May 20", "Dez 1", "Oct 12ABCdáé”)

我最后尝试的解决方案是：

dateformat = gsub(pattern = "([A-Z]{1}[a-z]{2})\s\d+.*", replacement = "([A-Z]{1}[a-z]{2})\s\d+", x = vector)

当然，这让我用文本字符串“([A-Z]{1}[a-z]{2})\s\d+”替换了它们中的每一个。

> dateformat
[1] "([A-Z]{1}[a-z]{2})sd+" "([A-Z]{1}[a-z]{2})sd+"
[3] "([A-Z]{1}[a-z]{2})sd+"

我真的不明白我必须在替换参数中包含什么来删除坏字符（如果它们存在的话）。

Answer 1

我添加了一个捕获组和一个反向引用"\1":

sub("^([A-Z]{1}[a-z]{2}\s\d+).*", "\1", vector)
[1] "May 20" "Dez 1"  "Oct 12"

替换参数接受像 '\1' 这样的反向引用，但不接受您使用的典型正则表达式模式。反向引用指回您创建的模式和您定义的捕获组。在这种情况下，我们的捕获组是我们用附加符号 (..) 概述的缩写月份和日期。当将 "\1" 放在替换参数中时，将返回这些括号内捕获的任何文本。

这个quick-start guide可能会有帮助

Answer 2

我们也可以试试

sub("\s*[^0-9]+$", "", vector)
#[1] "May 20" "Dez 1"  "Oct 12"

Answer 3

如果其他人对这些不同方法的性能感兴趣，这里有一个可重复的示例，比较 Pierre 的 方法与 akrun 的 方法.

这表明 akrun 的 方法更快：

library(microbenchmark)
set.seed(1234)

# Original poster's data
# vector <- c("May 20", "Dez 1", "Oct 12ABCdáé")

# Increased the size to 200 
vector <- sample(c("May 20", "Dez 1", "Oct 12ABCdáé"), 200L, replace = TRUE)

# Comparison of timings with 10000 repetitions
microbenchmark(
  pierre_l = sub("^([A-Z]{1}[a-z]{2}\s\d+).*", "\1", vector),
  akrun = sub("\s*[^0-9]+$", "", vector),
  times = 10000L
)
#> Unit: microseconds
#>      expr     min      lq     mean  median       uq     max neval
#>  pierre_l 164.201 169.201 233.5096 173.302 220.2515 17809.1 10000
#>     akrun 159.001 164.202 228.9020 168.200 212.7010 13443.5 10000

^{由 reprex package (v2.0.1)}

于 2022 年 3 月 24 日创建

仅提取与 R 中的正则表达式模式匹配的字符串部分

Extract just the part of string that matches a regex pattern in R

regex

r

split

truncation