如何使用正则表达式在 case_when 语句中提取特定的字符串模式？

Question

考虑我在 Donald Trump-Tweets 数据集（可以在 here 上找到）的基础上创建的以下可重现数据集：

df <- tibble(target = c(rep("jeb-bush", 2), rep("jeb-bush-supporters", 2),
                        "jeb-staffer", rep("the-media", 5)),
             tweet_id = seq(1, 10, 1))

它由两列组成，推文的目标组和 tweet_id:

# A tibble: 10 x 2
   target              tweet_id
   <chr>                  <dbl>
 1 jeb-bush                   1
 2 jeb-bush                   2
 3 jeb-bush-supporters        3
 4 jeb-bush-supporters        4
 5 jeb-staffer                5
 6 the-media                  6
 7 the-media                  7
 8 the-media                  8
 9 the-media                  9
10 the-media                 10

目标：

每当 target 中的元素以 jeb 开头时，我想提取 - 之后的字符串模式。每当以 jeb 开头的元素中有多个 - 时，我想在最后一个 - 之后提取字符串模式（在此示例数据集中，只有 jeb-bush-supporters).对于每个不以 jeb 开头的元素，我只想创建字符串 other。最后，它应该是这样的：

# A tibble: 10 x 3
   target              tweet_id new_var   
   <chr>                  <dbl> <chr>     
 1 jeb-bush                   1 bush      
 2 jeb-bush                   2 bush      
 3 jeb-bush-supporters        3 supporters
 4 jeb-bush-supporters        4 supporters
 5 jeb-staffer                5 staffer   
 6 the-media                  6 other     
 7 the-media                  7 other     
 8 the-media                  8 other     
 9 the-media                  9 other     
10 the-media                 10 other

我试过的：

我实际上已经设法使用以下代码创建了所需的输出：

df %>% 
    mutate(new_var = case_when(str_detect(target, "^jeb-[a-z]+$") ~
                             str_extract(target, "(?<=[a-z]{3}-)[a-z]+"),
                               str_detect(target, "^jeb-[a-z]+-[a-z]+") ~
                             str_extract(target, "(?<=[a-z]{3}-[a-z]{4}-)[a-z]+"),
                               TRUE ~ "other"))

但是问题是这样的：

在第二个 str_extract 语句中，我必须定义 'Positive Look Behind' ([a-z]{4}) 中字母的确切数量。否则 R 会抱怨需要“有界最大长度”。但是如果我不知道确切的模式长度或者它是否会因元素而异怎么办？

或者，我尝试使用捕获组而不是“环顾四周”。因此，我尝试包含 str_match 来定义我想提取的内容，而不是我不想提取的内容：

df %>% 
    mutate(new_var = case_when(str_detect(target, "^jeb-[a-z]+$") ~
                             str_match(target, "jeb-([a-z]+)"),
                           str_detect(target, "^jeb-[a-z]+-[a-z]+") ~
                             str_match(target, "jeb-[a-z]+-([a-z]+)"),
                           TRUE ~ "other"))

但随后我收到此错误消息：

Error: Problem with `mutate()` input `new_var`.
x `str_detect(target, "^jeb-[a-z]+$") ~ str_match(target, "jeb-([a-z]+)")`, `str_detect(target, "^jeb-[a-z]+-[a-z]+") ~ str_match(target, 
    "jeb-[a-z]{4}-([a-z]+)")` must be length 10 or one, not 20.
i Input `new_var` is `case_when(...)`.

问题：

最后，我想知道是否有一种简洁的方法可以在case_when-statement中提取特定的字符串模式。当我无法使用“Look Arounds”（因为我无法定义有界的最大长度）或捕获组（因为 str_match 会 return 长度为 20 而不是原始大小 10 或 1) 的向量？

Answer 1

一个选项是从 case_when 中的字符串的开头 (^) 检查带有 'jeb-' 子字符串的目标列，然后提取不是 [= 的字符15=] ([^-]+) 在字符串的末尾 ($)，否则 (TRUE) return 'other'

library(dplyr)
library(stringr)
df %>% 
    mutate(new_var = case_when(str_detect(target, '^jeb-')~ 
        str_extract(target, '[^-]+$'), TRUE ~ 'other'))

-输出

# A tibble: 10 x 3
#   target              tweet_id new_var   
#   <chr>                  <dbl> <chr>     
# 1 jeb-bush                   1 bush      
# 2 jeb-bush                   2 bush      
# 3 jeb-bush-supporters        3 supporters
# 4 jeb-bush-supporters        4 supporters
# 5 jeb-staffer                5 staffer   
# 6 the-media                  6 other     
# 7 the-media                  7 other     
# 8 the-media                  8 other     
# 9 the-media                  9 other     
#10 the-media                 10 other

我们也可以用 str_match 和 coalesce

来简化这个

df %>% 
   mutate(new_var = coalesce(str_match(target, '^jeb-.*?([^-]+)$')[,2], 'other'))

如何使用正则表达式在 case_when 语句中提取特定的字符串模式？

How to extract specific string patterns in a case_when statement using regular expressions?

regex

r

stringr