从字符串中提取州缩写和邮政编码

Question

我想从以下字符串中提取州缩写（2 个字母）和邮政编码（4 或 5 个数字）

    address <- "19800 Eagle River Road, Eagle River AK 99577
              907-481-1670
              230 Colonial Promenade Pkwy, Alabaster AL 35007
              205-620-0360
              360 Connecticut Avenue, Norwalk CT 06854
              860-409-0404
              2080 S Lincoln, Jerome ID 83338
              208-324-4333
              20175 Civic Center Dr, Augusta ME 4330
              207-623-8223
              830 Harvest Ln, Williston VT 5495
              802-878-5233
              "

对于邮政编码，我尝试了在这里找到的几种方法，但主要是因为 5 位数字的街道地址或只有 4 位数字的邮政编码没有奏效

    text <- readLines(textConnection(address))

    library(stringi)
    zip <- stri_extract_last_regex(text, "\d{5}")
    zip

    library(qdapRegex)
    rm_zip3 <- rm_(pattern="(?<!\d)\d{5}(?!\d)", extract = TRUE)
    zip <- rm_zip3(text)
    zip

    [1] "99577" "1670"  "35007" "0360"  "06854" "0404"  "83338" "4333"  "4330"  "8223"  "5495"  "5233"  NA

州名缩写不知道怎么提取

感谢任何帮助！提前致谢！

编辑 1：包括 phone 个数字

Answer 1

提取邮政编码的代码：

zip <- str_extract(text, "\d{5}")

提取状态代码的代码：

states <- str_extract(text, "\b[A-Z]{2}(?=\s+\d{5}$)")

提取 phone 个数字的代码：

phone <- str_extract(text, "\b\d{3}-\d{3}-\d{4}\b")

注意： 看起来您的数据有问题，因为最后 2 个邮政编码的长度应该是 5 个字符，而不是 4 个字符。4330 实际上应该是 04330。如果您无法控制数据源，但可以确定它们是美国代码，您可以根据需要在左侧填充 0。然而，由于您正在寻找 4 或 5 个字符的解决方案，您可以使用这个：

用于提取邮政编码的代码（查找前面的 space 和后面的换行符，以便不选择 phone 号码或地址的部分）

zip <- str_extract(text, "(?<= )\d{4,5}(?=\n|$)")

提取状态代码的代码：

states <- str_extract(text, "\b[A-Z]{2}(?=\s+\d{4,5}$)")

演示：https://regex101.com/r/7Im0Mu/2

Answer 2

Thank you @Rahul. Both would be great. At least can you show me how to do it with Notepad++?

使用Notepad++提取

那么首先将您的全部数据复制到一个文件中。
按 Ctrl + F 转到 Find。这将打开搜索对话框。使用正则表达式 ([A-Z]{2}\s*\d{4,5})$ 选择 Replace 选项卡搜索并替换为 \n--\n。这将搜索州缩写和邮政编码并将它们放在新行中，并以 - 作为前缀和后缀。

现在转到 Mark 选项卡。选中 Bookmark Line 复选框，然后用 -(.*?)- 搜索并按 Mark All。这将用 -.

现在转到搜索-->书签-->删除未标记的行

最后用 ^-|-$ 搜索并替换为空字符串。

更新

所以现在也会有 phone 号码？在这种情况下，您只需在步骤 2 中从正则表达式中删除 $。要使用的正则表达式将为 ([A-Z]{2}\s*\d{4,5})。休息所有步骤将是相同的。

Answer 3

我使用地址作为输入而不是文本，看看它是否适合你的情况。

正则表达式假设： 两个大写字母后跟 4 或 5 个数字字母表示州和邮政编码，phone 数字始终在下一行。

输入:

address <- "19800 Eagle River Road, Eagle River AK 99577
907-481-1670
230 Colonial Promenade Pkwy, Alabaster AL 35007
205-620-0360
360 Connecticut Avenue, Norwalk CT 06854
860-409-0404
2080 S Lincoln, Jerome ID 83338
208-324-4333
20175 Civic Center Dr, Augusta ME 4330
207-623-8223
830 Harvest Ln, Williston VT 5495
802-878-5233
"

我正在使用 stringr 库，您可以选择任何其他库来提取您想要的信息。

library(stringr)
df <- data.frame(do.call("rbind",strsplit(str_extract_all(address,"[A-Z][A-Z]\s\d{4,5}\s\d{3}-\d{3}-\d{4}")[[1]],split="\s|\n")))
names(df) <- c("state","Zip","Phone")

编辑:

如果有人想使用文本作为输入，

text <- readLines(textConnection(address))
text <- data.frame(text)
st_zip <- setNames(data.frame(str_extract_all(text$text,"[A-Z][A-Z]\s\d{4,5}",simplify = T)),"St_zip")
pin <- setNames(data.frame(str_extract_all(text$text,"\d{3}-\d{3}-\d{4}",simplify = T)),"pin")
st_zip <- st_zip[st_zip$St_zip != "",]
df1 <- setNames(data.frame(do.call("rbind",strsplit(st_zip,split=' '))),c("State","Zip"))
pin <- pin[pin$pin != "",]
df2 <- data.frame(cbind(df1,pin))

输出:

    State   Zip    pin
1    AK 99577 907-481-1670
2    AL 35007 205-620-0360
3    CT 06854 860-409-0404
4    ID 83338 208-324-4333
5    ME  4330 207-623-8223
6    VT  5495 802-878-5233

从字符串中提取州缩写和邮政编码

Extract state abbreviation and zip code from strings

regex

zipcode

text-extraction

r