在 R 中屏蔽 phone 数字

Question

我的原始数据有很多个人信息，所以我在R中屏蔽了它们。示例数据和我的原始代码如下：

install.packages("stringr")
library(string)

x = c("010-1234-5678",
      "John 010-8888-8888",
      "Phone: 010-1111-2222",
      "Peter 018.1111.3333",
      "Year(2007,2019,2020)",
      "Alice 01077776666")

df = data.frame(
  phoneNumber = x
)

pattern1 = "\d{3}-\d{4}-\d{4}"
pattern2 = "\d{3}.\d{4}.\d{4}"
pattern3 = "\d{11}"

delPhoneList1 <- str_match_all(df, pattern1) %>% unlist
delPhoneList2 <- str_match_all(df, pattern2) %>% unlist
delPhoneList3 <- str_match_all(df, pattern3) %>% unlist

我从数据集中找到了三种类型的模式，每种结果如下：

> delPhoneList1
[1] "010-1234-5678" "010-8888-8888" "010-1111-2222"
> delPhoneList2
[1] "010-1234-5678" "010-8888-8888" "010-1111-2222" "018.1111.3333" "007,2019,2020"
> delPhoneList3
[1] "01077776666"

Pattern1 是我所在国家/地区使用破折号的典型 phone 数字类型，但有人使用逗号输入类似 pattern2 的数字。但是，pattern2 还包括 pattern1，因此它会检测其他模式，如一系列年份。这是意想不到的结果。

我的问题是如何匹配我定义的确切模式。 pattern2 包含过多的模式，例如来自 "Year(2007,2019,2020)" 的 "007,2019,2020"。

此外，下一步是使用以下代码屏蔽号码：

for (phone in delPhoneList1) {
  df$phoneNumber <- gsub(phone, "010-9999-9999", df$phoneNumber)
}

我认为该代码非常适合我，但如果您有更有效的方法，请告诉我。

谢谢。

Answer 1

一种模式统领一切;-)

ptn <- "\b\d{3}([-.]?)\d{4}\1\d{4}\b"
grepl(ptn, x)
# [1]  TRUE  TRUE  TRUE  TRUE FALSE  TRUE

您的 pattern2 失败的原因是因为它使用 . 作为分隔符，但在正则表达式中这意味着“任何字符”。您可以使用 \. 而不是 . 并且它的表现会更好。
我在这里使用占位符：如果第一个分隔符是 -，那么 \1 确保另一个分隔符相同。如果它是空的，那么第二个也是空的。这也让pattern3.
的11个不间断数

\b 是单词边界，向我们保证 12 位数字不会匹配：

grepl(ptn, c("12345678901", "123456789012"))
# [1]  TRUE FALSE

由于它有一个占位符，它往往会与 stringr:: 函数有些混乱，但我们可以解决这个问题，具体取决于您的需要。

例如，如果您用相同模式的第二个实例替换占位符，它可能允许 123-4444.5555（混合分隔符），如果这不是问题的话。

ptn2 <- "\b\d{3}[-.]?\d{4}[-.]?\d{4}\b"
unlist(str_match_all(x, ptn2))
# [1] "010-1234-5678" "010-8888-8888" "010-1111-2222" "018.1111.3333" "01077776666"

或者我们可以利用匹配的模式数（原始ptn）：

unlist(str_match(x, ptn)[,1])
# [1] "010-1234-5678" "010-8888-8888" "010-1111-2222" "018.1111.3333" NA              "01077776666"

在 R 中屏蔽 phone 数字

Mask phone number in R

r

stringr