仅在“级别”由括号确定的顶层拆分带有嵌套括号的字符串

Question

我正在尝试创建一个正则表达式，它允许我仅在中间逗号上拆分下面的字符串。

str_1 <- "N(0, 1)"
str_2 <- "N(N(0.1, 1), 1)"
str_3 <- "N(U(0, 1), 1)"
str_4 <- "N(0, T(0, 1))"
str_5 <- "N(N(0, 1), N(0, 1))"

将它们视为分布的参数。现在，我想拆分一下“顶级”的逗号。

一些细节：数字可以是十进制数，也可以是正数和负数。它们将始终在U()、N()、LN() 或T() 内分组，并用逗号分隔。稍后将添加更多分组，因此需要更通用的解决方案或易于扩展。我要做的是在“顶级”逗号处拆分表达式。​​

现在，str_1 的第一个案例可以直接使用：

unlist(strsplit(str_1, ",", perl = TRUE))

在继续之前，我需要知道我是否有嵌套。我知道如果有嵌套，我将拥有不止一个 N、U、LN 或 T。所以检查一下，我做了（str_2）：

length(attr(gregexpr("(N|LN|U|T)", str_2, perl = TRUE)[[1]], "match.length")) > 1

确定我是否有嵌套（可能是一种更简洁的测试方法？），我可以继续计算剩余字符串的拆分。但是，这就是我卡住的地方。鉴于我无法计算逗号，因为 str_2、str_3 和 str_4 的情况会模棱两可。我如何确保我只在中间逗号处拆分？

我希望得到以下输出（因此去掉第一个字母和括号以及最后一个括号）

# str_2
"N(0.1, 1)" "1"

# str_3
"U(0, 1)" "1"

# str_4
"0" "T(0, 1)"

# str_5
"N(0, 1)" "N(0, 1)"

如果可能的话，我想继续使用基础 R 来减少代码的依赖项数量。任何帮助深表感谢。这也可能无法通过正则表达式解决，但需要一种编程方法，可能通过this Java 问题中所建议的递归来解决。

Answer 1

如果您的字符向量采用您显示的格式，您可以使用单个 PCRE 正则表达式来实现您所需要的：

(?:\G(?!^)\s*,\s*|^N\()\K(?:\d+|\w+(\([^()]*(?:(?1)[^()]*)*\)))(?=\s*,|\)$)

请参阅regex demo。 详情

• (?:\G(?!^)\s*,\s*|^N\() - 上一个成功匹配的结束 (\G(?!^))，然后是一个逗号，其中包含零个或多个空格字符 (\s*,\s*) 或在字符串开头的 N( 字符串 (^N\()李>
• \K - 一个匹配重置操作符，它从当前匹配内存缓冲区中丢弃所有匹配的文本
• (?: - 非捕获组的开始
  • \d+ - 一位或多位数字
  • | - 或
  • \w+ - 一个或多个单词字符
  • (\([^()]*(?:(?1)[^()]*)*\)) - 第 1 组（需要递归才能正常工作）：(，然后是除 ( 和 ) 之外的任何零个或多个字符，然后是第 1 组模式的零个或多个出现（递归）然后是 ( 和 ) 以外的零个或多个字符，然后是 ) 字符
• ) - 非捕获组结束
• (?=\s*,|\)$) - 紧跟零个或多个空格，然后是逗号或) 字符在字符串的末尾。

见regex demo：

strs <- c("N(0, 1)", "N(N(0.1, 1), 1)", "N(U(0, 1), 1)", "N(0, T(0, 1))", "N(N(0, 1), N(0, 1))")
p <- "(?:\\G(?!^)\\s*,\\s*|^N\\()\\K(?:\\d+|\\w+(\\([^()]*(?:(?1)[^()]*)*\\)))(?=\\s*,|\\)$)"
regmatches(strs, gregexpr(p, strs, perl=TRUE))
# => [[1]]
#    [1] "0" "1"
#    
#    [[2]]
#    [1] "N(0.1, 1)" "1"        
#    
#    [[3]]
#    [1] "U(0, 1)" "1"      
#    
#    [[4]]
#    [1] "0"       "T(0, 1)"
#    
#    [[5]]
#    [1] "N(0, 1)" "N(0, 1)"

Answer 2

将s 定义为字符串的字符向量。我们计算左括号的累积数减去右括号的累积数，并将差值为 0 的任何逗号替换为分号，然后将其拆分。

为此，我们使用gsubfn，它类似于gsub，除了替换不必是字符串，而是可以是原型对象。 proto 对象的pre 方法在每个字符串的开头运行，fun 方法对传递给gsubfn 的模式的每个匹配项运行。下面定义的pre 方法将lev 设置为0，其中lev 将保存上面讨论的累积差异。 fun 在每次匹配左括号、右括号或逗号时运行，每次匹配到：

• 左括号将递增lev
• 右括号将递减lev
• 如果 lev == 0，它将发出分号替换逗号

使用sub 删除输入s 开头和结尾的垃圾，运行gsubfn，然后将结果拆分为分号。最后，我们将结果简化为数据框。此处的输出字符向量的长度均为 2，但如果它们可以具有不同的长度，则省略 as.data.frame。

library(gsubfn)
library(magrittr)


# s is char vec; rm is TRUE if 1st two chars & last one to be removed
# output is list of char vecs
Split <- function(s, rm = TRUE) {
  p <- proto(
    pre = function(this) this$lev <- 0,
    fun = function(this, x) {
      this$lev <- this$lev + ( x == "(" ) - ( x == ")" )
      if (x == "," && this$lev == 0) ";" else x
    }
  )

  if (rm) s <- sub("^..(.*).$", r"{\1}", s)
  s %>% gsubfn(r"{[\(\),]}", p, .) %>% strsplit(" *; *")
}

# test 1
s <- c(str_1 = "N(0, 1)", str_2 = "N(N(0.1, 1), 1)", str_3 = "N(U(0, 1), 1)", 
       str_4 = "N(0, T(0, 1))", str_5 = "N(N(0, 1), N(0, 1))")
s %>% Split %>% as.data.frame
##   str_1     str_2   str_3   str_4   str_5
## 1     0 N(0.1, 1) U(0, 1)       0 N(0, 1)
## 2     1         1       1 T(0, 1) N(0, 1)

请注意，这可以使用任意数量的参数：

# test 2
w <- "lognormal(N(0, 1), 1), lognormal(0, U(0, 1)), beta(U(1, 1), 2), N(0, 1)"
w %>% Split(rm = FALSE)  %>% unlist
## [1] "lognormal(N(0, 1), 1)" "lognormal(0, U(0, 1))" "beta(U(1, 1), 2)"     
## [4] "N(0, 1)"   

Answer 3

如果我们认为结构保持不变，那么我们可以这样做：

lapply(parse(text=strings), function(x)c(deparse(x[[2]]), deparse(x[[3]])))

[[1]]
[1] "0" "1"

[[2]]
[1] "N(0.1, 1)" "1"        

[[3]]
[1] "U(0, 1)" "1"      

[[4]]
[1] "0"       "T(0, 1)"

[[5]]
[1] "N(0, 1)" "N(0, 1)"

---

strings <- c("N(0, 1)", "N(N(0.1, 1), 1)", "N(U(0, 1), 1)", "N(0, T(0, 1))", "N(N(0, 1), N(0, 1))")