如何识别在 R 中的字符串中混淆的数字？

Question

我有一个扫描文档，在 OCR 之后我遇到了多个问题，结果数字格式错误。

x <- c("9 243,51 233 286,08 18 386.21") 要么 x <- c("9.243,51 233 286,08 18 386.21")

期望的结果是： "9.244,51" "233.286,08" "18.386,21"

待办事项：十进制数字应以逗号分隔（并非总是如此）。数字中的空格应替换为点（但要小心，因为空格也会分隔数字）。

我很乐意提供任何帮助！

Answer 1

您可以使用 gsub 和 strsplit 假设原始 . 永远不会在 OCR 中并且所有数字都有一个可识别的数字 , 或 ..

. <- gsub("\.", ",", x)
. <- gsub("(,\d+) +", "\1:", .)
. <- gsub(" +", ".", .)
strsplit(., ":")[[1]]
#[1] "9.243,51"   "233.286,08" "18.386,21"

或假设逗号后有两位数字：

. <- gsub("[.,](\d{2}\b)", ",\1", x)
. <- gsub("(,\d{2}) +", "\1:", .)
. <- gsub(" +", ".", .)
strsplit(., ":")[[1]]
#[1] "9.243,51"   "233.286,08" "18.386,21"

或者：

. <- trimws(strsplit(x, "(?<=[.,](\d{2}\b))", perl=TRUE)[[1]])
. <- gsub("\.(?=\d{2}$)", ",", ., perl=TRUE)
gsub("(?<=\d) +(?=\d{3})", ".", ., perl=TRUE)
#[1] "9.243,51"   "233.286,08" "18.386,21"

如何识别在 R 中的字符串中混淆的数字？

How can I identify numbers which are mixed up in a string in R?

replace

r

substitution

gsub