从R中具有5位和9位邮政编码的字符串中提取状态缩写

Question

我正在尝试从具有不同格式的数据框中的地址列中提取状态缩写。示例：

"123 Any St., Some City, IL 65234 United States"
"456 Any Other St That Town, CA 62626-1234 US"

我使用的代码适用于具有 5 位邮政编码的字符串，但不适用于具有 9 位邮政编码的字符串：

df$state <- str_extract(df$address, "\\b[A-Z]{2}(?=\\s+\\d{5}$)")

如何更改它以提取状态，然后是 5 位和 9 位邮政编码？

Answer 1

您可以使用 tidyr::extract 函数，该函数在您使用 tibble/dataframe 时效果特别好。在您的情况下，我正在执行以下操作：将数据放入名为 df 的数据框/tibble 中，使用 tidyr::extract 将信息拉入两列 - zipcode 和 state。

tidyr::extract 函数使用括号来区分您想要哪些信息在哪些列中。因此，由于我要提取到两个不同的列，因此这里有两组括号，其中包含正则表达式。第一个正则表达式是\\d{5}|\\d{5}-\\d{4}，表示恰好匹配 5 位数字或 5 位数字，后跟一个破折号，然后是 4 位数字。下一个正则表达式是.{1,}，它匹配任意字符 1 到任意次数。在我找到这两个表达式之前，我会根据需要多次匹配任何字符，直到找到带有.{1,} 的邮政编码。我用\\s（空格）将这两列分开。

library(tidyverse)

df <- tibble(zipcodes = c("123 Any St., Some City, IL 65234 United States",
"456 Any Other St That Town, CA 62626-1234 US"))

df %>% 
  tidyr::extract(zipcodes, into = c("zipcodes", "state"),
          ".{1,}(\\d{5}|\\d{5}-\\d{4})\\s(.{1,})")

Answer 2

当我将您的代码用于示例字符串上的 5 位邮政编码时，它不起作用并返回 NAs。

如果我们删除最后一个$，那么它适用于 5 位和 9 位邮政编码：

teststr <- c("123 Any St., Some City, IL 65234 United States",
             "456 Any Other St That Town, CA 62626-1234 US")

stringr::str_extract(teststr, "\\b[A-Z]{2}(?=\\s+\\d{5})")
#> [1] "IL" "CA"

^{由reprex package (v2.0.1) 于 2021 年 11 月 2 日创建}