R：正则表达式 - 捕获字符串中的数字并在另一列中替换它们（捕获组）

Question

我有这个基本数据框：

我想在一列中搜索一个 SKU（8 位），将其放入一个变量（捕获组）中，然后将其放入一个新列中：“SKU_solo”。

我不需要“\1”，但需要前 8 位数字。如何在我的代码中创建捕获组？

这是我的代码：

我正在使用“dplyr”

urls_na <- urls_na %>%
           mutate(SKU_solo = NA, #initialize the new column
                  SKU_solo = ifelse(grepl("([0-9]+)", Page), "\\1",SKU_solo))




                     Page                   Categoria   Page.Views       SKU_solo
1   5   /Cajon_Criolla_20141024                 #N/A             7           \1 
2   6   /Linon_20141115_20141130                #N/A           564           \1
3   7   /Cat/LIQUID                             #N/A             1           NA
4   8   /c_puertas_20141106_20141107            #N/A            34           \1 
5   9   /C_Puertas_3_20141017_20141018          #N/A             2           \1
6   10  /c_puertas_navidad_20141204_20141205    #N/A        187319           \1

期望的输出：

                     Page                   Categoria   Page.Views       SKU_solo
1   5   /Cajon_Criolla_20141024                 #N/A             7       20141024
2   6   /Linon_20141115_20141130                #N/A           564       20141115
3   7   /Cat/LIQUID                             #N/A             1           NA
4   8   /c_puertas_20141106_20141107            #N/A            34       20141106
5   9   /C_Puertas_3_20141017_20141018          #N/A             2       20141017
6   10  /c_puertas_navidad_20141204_20141205    #N/A        187319       20141204 

注意事项：

1) ifelse 和 grepl 有助于进行捕获和替换。但是，它只是返回： \1 作为字符串。

2) 可能还有其他数字，如第 5 行。但重要的是第一个 SKU（8 位组）。

更新：

如您所见，我可以在 SKU_solo 列中打印“\1”。我知道还有其他方法可以做到这一点，但我的代码有什么问题？

我想使用 Regex 中的“捕获组”特性。我已经读过，当某物在“（）”内时，它从左到右将值 1 分配给 ...。在我的代码中：ifelse(grepl("([0-9]+)", Page), "\\1",SKU_solo)) ... ([0-9]+) 应该是分配编号 1 ...这就是为什么在我使用："\1" 来引用它之后。我不明白，为什么它不起作用，只在“SKU_solo”列中输入：“\1”。

Answer 1

您可以为此使用stringr 包：

library(stringr)
urls_na <- urls_na %>%
           mutate(SKU_solo = NA, #initialize the new column
                  SKU_solo = str_match(Page, "([0-9]{8})")[,1])

请注意，我也更改了您的正则表达式，因为您正在寻找一个 8 位数字。

请注意：

str_match(Page, "([0-9]{8})")[,1]

将返回完整的比赛。如果您想返回单个组，您可以使用索引 2 向前。

来自stringr 文档：

Value:

     character matrix. First column is the complete match, followed by
     one for each capture group

Answer 2

您的代码中有几个问题。首先，您不设置数字的数量。其次，您不要告诉它“贪婪”以匹配第一项，用 (.*?) 完成。

你需要使用正则表达式

     "(.*?)_([0-9]{8})"

解决您的问题 2)

但是你的“捕获组”不起作用，因为它是为了在 sub 或 gsub 等函数中工作。你不能在两者之间传递它 测试 和 是的 的论点 如果别的（） 如果要保留构造，则需要重复 gsub 两次。

    matchingExp <- "(.*?)_([0-9][0-9][0-9][0-9][0-9][0-9][0-9][0-9])(.*)$"
    urls_na <- urls_na %>% 
                 mutate(SKU_solo=NA,
                 SKU_solo=ifelse(grepl(matchingExp,Page),sub(matchingExp,"\\2",Page),Page))

但是当您调用 regexp 两次时，效率非常低。为避免这种情况，您可以使用结果必须是数字的事实，并且如果它与您的文件名不匹配，则不能仅是数字（如果您有疑问，您可以随时添加首字母“a”）：

    urls_na <- urls_na %>% mutate(SKU_solo=as.numeric(sub("(.*?)_([0-9][0-9][0-9][0-9][0-9][0-9][0-9][0-9])(.*)$","\\2",Page)))

以上所有方法在这里都可以正常工作。

@dave 请注意，我实际上有 n 倍 [0-9] 和 [0-9]{n} 之间的差异。我发布了一个问题here。

Answer 3

dplyr：

urls_na <- urls_na %>%
           mutate( SKU_solo = ifelse(grepl('_([0-9]{8})$',Page), 
                                    gsub('^.*_(\\d{8})$','\\1',Page),
                                    NA))

基础R：

urls_na$SKU_solo <- ifelse(grepl('_([0-9]{8})$',urls_na$Page), 
                           gsub('^.*_(\\d{8})$','\\1',urls_na$Page)
                           NA)