R：正则表达式疯狂（stringi）

Question

我有一个字符串向量，如下所示：

G30(H).G3(M).G0(L).Replicate(1)

遍历 c("H", "M", "L")，我想提取 G30（对于“H”）、G3（对于“M”）和G0（对于“L”）。

我的各种尝试让我感到困惑 - regex101.com 调试器，例如表示 (\w*)\(M\) 工作正常，但将其传输到 R 失败 ...

Answer 1

我很确定有更好的解决方案，但这行得通...

jnk <- 'G30(H).G3(M).G0(L).Replicate(1)'
patter <- '([^\(]+)\(H\)\.([^\(]+)\(M\)\.([^\(]+)\(L\)\.Replicate\(\d+\)'
H <- sub(patter, '\1', jnk)
M <- sub(patter, '\2', jnk)
L <- sub(patter, '\3', jnk)

编辑：

实际上，我曾经发现一个非常好的函数 parse.one，它可以像正则表达式一样以 python 的方式搜索更多...

看看这个：

parse.one <- function(res, result) {
  m <- do.call(rbind, lapply(seq_along(res), function(i) {
    if(result[i] == -1) return("")
    st <- attr(result, "capture.start")[i, ]
    substring(res[i], st, st + attr(result, "capture.length")[i, ] - 1)
  }))
  colnames(m) <- attr(result, "capture.names")
  m
}
jnk <- 'G30(H).G3(M).G0(L).Replicate(1)'
pattern <- '(?<H>[^\(]+)\(H\)\.(?<M>[^\(]+)\(M\)\.(?<L>[^\(]+)\(L\)\.Replicate\(\d+\)'
parse.one(jnk, regexpr(pattern, jnk, perl=TRUE))

结果如下所示：

> parse.one(jnk, regexpr(pattern, jnk, perl=TRUE))
     H     M    L   
[1,] "G30" "G3" "G0"

Answer 2

如果顺序始终相同，另一种方法可能是拆分字符串。例如：

string <- "G30(H).G3(M).G0(L).Replicate(1)"
tmp <- str_split(string, "\.")[[1]]
lapply(tmp[1:3], function(x) str_split(x, "\(")[[1]][1])
[[1]]
[1] "G30"

[[2]]
[1] "G3"

[[3]]
[1] "G0"

Answer 3

如果允许更改标签（例如“(H).”）之前的代码（例如'G30'）或字符串中标签的顺序（不同的字母或长度），您可能想尝试基于 regexpr().

的更灵活的解决方案

aa <-paste("G30(H).G3(M).G0(L).Replicate(",1:10,")", sep="")
my.tags <- c("H","M", "L")

extr.data <- lapply(my.tags, (function(tag){
  pat <-  paste("\(", tag, "\)\.", sep="")
  pos <- regexpr(paste("(^|\.)([[:alnum:]])*", pat ,sep=""), aa)
  out <- substr(aa, pos, (pos+attributes(pos)$match.length - 4 - length(tag)))  
  gsub("(^\.)", "", out) 
}))
names(extr.data) <- my.tags
extr.data

Answer 4

我将假设函数 (G...) 是可变的并且输入也是可变的。这确实假设您的函数以 G 开头并且您的输入始终是字母。

parse = function(arb){
  tmp = stringi::stri_extract_all_regex(arb,"G.*?\([A-Z]\)")[[1]]
  unlist(lapply(lapply(tmp,strsplit,"\)|\("),function(x){
    output = x[[1]][1]
    names(output) = x[[1]][2]
    return(output)
  }))
}

这首先解析出所有 G 函数及其输入。然后，每一个都被分成它们的功能部分和它们的输入部分。这是放入以其输入命名的函数的字符向量。

parse("G30(H).G3(M).G0(L).Replicate(1)")
>     H     M     L 
  "G30"  "G3"  "G0"

或

parse("G35(L).G31(P).G02(K).Replicate(1)")
>     L     P     K 
  "G35" "G31" "G02"

Answer 5

使用 stringi 包和 outer() 函数：

library(stringi)

strings <- c(
  "G30(H).G3(M).G0(L).Replicate(1)",
  "G5(M).G11(L).G6(H).Replicate(9)",
  "G10(M).G6(H).G8(M).Replicate(200)"  # No "L", repeated "M"
)
targets  <- c("H", "M", "L")
patterns <- paste0("\w+(?=\(", targets, "\))")
matches  <- outer(strings, patterns, FUN = stri_extract_first_regex)
colnames(matches) <- targets
matches
#      H     M    L    
# [1,] "G30" "G3" "G0" 
# [2,] "G6"  "G5" "G11"
# [3,] "G6"  "G10" NA

这将忽略第一个目标字母之后的任何实例，当未找到目标时为您提供 NA，并且 returns 简单矩阵中的所有内容。 patterns 中存储的正则表达式匹配子字符串，如 XX(Y)，其中 Y 是目标字母，XX 是任意数量的单词字符。

R：正则表达式疯狂（stringi）

R: Regex madness (stringi)

r

regex

stringi