str_extract在R中匹配字母和数字组合的代码

Question

我正在尝试使用 R 中的 str_extract 函数从 R 中的文本字符串中提取 "ATC code"。

字符串中的代码始终以 "ATC: " 开头，然后代码本身就是字母和数字串在一起的组合。

当前输出部分工作，只是我正在努力匹配 "A07AX" 就好像我将数字设为可选然后它显然比要求的匹配更少

原始数据框：

library(dplyr)

data01 <-
  rbind(data.frame(text = "abc (ATC: A07BA51) fdfv"),
        data.frame(text = "abc (ATC: A07AX) dsaf"),
        data.frame(text = "abc (ATC: M01AE01) dff"))

                     text
1 abc (ATC: A07BA51) fdfv
2   abc (ATC: A07AX) dsaf
3  abc (ATC: M01AE01) dff

提取ATC组的代码：

library(stringr)

data02 <-
  data01 %>%
  mutate(atc_group = gsub("ATC:|\s", "", str_extract(text, "ATC:\s([A-Z]+\d+)+")))

当前输出：

                     text atc_group
1 abc (ATC: A07BA51) fdfv   A07BA51
2   abc (ATC: A07AX) dsaf       A07
3  abc (ATC: M01AE01) dff   M01AE01

Answer 1

假设我们使用 dplyr，我们提取不是 ) 且遵循正则表达式 (?<=ATC:\s).

的字符

library(dplyr)
library(stringr)
data01 %>% 
      mutate(atc_group=str_extract(text, '(?<=ATC:\s)[^)]+'))
#                    text atc_group
#1 abc (ATC: A07BA51) fdfv   A07BA51
#2   abc (ATC: A07AX) dsaf     A07AX
#3  abc (ATC: M01AE01) dff   M01AE01

或者我们可以使用 library(tidyr) 中的 extract。我们捕获（在括号内）跟在 ATC: 后跟一个或多个 space (\s+) 的字母数字字符。

library(tidyr)
extract(data01, text, into='atc_group', 
         '.*\(ATC:\s+([[:alnum:]]+)\).*', remove=FALSE)
#                     text atc_group
#1 abc (ATC: A07BA51) fdfv   A07BA51
#2   abc (ATC: A07AX) dsaf     A07AX
#3  abc (ATC: M01AE01) dff   M01AE01

我们也可以gsub提取子串

gsub('.*ATC:\s+|\).*', '', data01$text)
#[1] "A07BA51" "A07AX"   "M01AE01"

str_extract在R中匹配字母和数字组合的代码

str_extract in R to match a code combined of letters and numbers

r

stringr