R：使用零宽度前瞻提取双字母组

Question

我想使用 here 描述的正则表达式从句子中提取二元语法，并将输出存储到引用原始内容的新列中。

library(dplyr)
library(stringr)
library(splitstackshape)

df  <- data.frame(a =c("apple orange plum"))

# Single Words - Successful
df %>%
  # Base R
  mutate(b =  sapply(regmatches(a,gregexpr("\w+\b", a, perl = TRUE)),
                     paste, collapse=";")) %>%
  # Duplicate with Stringr
  mutate(c =  sapply(str_extract_all(a,"\w+\b"),paste, collapse=";")) %>%
  cSplit(., c(2,3), sep = ";", direction = "long")

最初，我认为问题似乎出在正则表达式引擎上，但 stringr::str_extract_all (ICU) 和 base::regmatches (PCRE) 都不起作用。

# Bigrams - Fails
df %>%
  # Base R
  mutate(b =  sapply(regmatches(a,gregexpr("(?=(\b\w+\s+\w+))", a, perl = TRUE)),
                     paste, collapse=";")) %>%
  # Duplicate with Stringr
  mutate(c =  sapply(str_extract_all(a,"(?=(\b\w+\s+\w+))"),paste, collapse=";")) %>%
  cSplit(., c(2,3), sep = ";", direction = "long")

因此，我猜测问题可能与在捕获组周围使用零宽度先行有关。 R 中是否有任何有效的正则表达式可以提取这些双字母组？

Answer 1

正如@WiktorStribiżew 所建议的，使用 str_extract_all 在这里有所帮助。以下是如何将它应用于数据框中的多行。让

(df <- data.frame(a = c("one two three", "four five six")))
#               a
# 1 one two three
# 2 four five six

那我们可以做

df %>% rowwise() %>% 
  do(data.frame(., b = str_match_all(.$a, "(?=(\b\w+\s+\w+))")[[1]][, 2], stringsAsFactors = FALSE))
# Source: local data frame [4 x 2]
# Groups: <by row>
#
# A tibble: 4 x 2
#   a             b        
# * <fct>         <chr>    
# 1 one two three one two  
# 2 one two three two three
# 3 four five six four five
# 4 four five six five six

其中 stringsAsFactors = FALSE 只是为了避免来自绑定行的警告。

R：使用零宽度前瞻提取双字母组

R: Extracting Bigrams with Zero-Width Lookaheads

r

regex

stringr

lookahead