使用 R，如何在这种情况下正确使用 str_extract？

Question

我从 Ronak Shah 和 akrun(in this post) 那里学到了如何构造一个正则表达式来排除数据框中的所有术语（在我的示例中为 alldata），除了这些单词，

^\BWORD1|WORD2|WORD3|WORD4|WORD5\>

但由于某些原因，无法弄清楚为什么它给了我

“WORD2”，“WORD3”，不适用

而不是

“WORD1 WORD2 WORD5”，“WORD3”，不适用

这是我的例子：

library(stringr)
alldata <- data.frame(toupper(c("word1 anotherword word2 word5", "word3", "none")))
names(alldata)<-"columna"
removeex <- c("word1" , "word2"  ,"word3" ,"word4", "word5")
regularexprex <- toupper(paste0("^\\b",paste0(removeex, collapse = "|"), "\\>"))
alldata$columnb <- str_extract(alldata$columna, regularexprex)

我尝试在正则表达式的末尾添加 + 或 *，但没有任何效果。

由于我是正则表达式的初学者，我肯定会错过一些东西，有人可以指导我吗？ 问候，

Answer 1

您需要将上面代码中的最后两行替换为

> regularexprex <- paste0("(?i)\\s*\\b(?!(?:",paste0(removeex, collapse = "|"), ")\\b)\\w+")
## => "(?i)\\s*\\b(?!(?:word1|word2|word3|word4|word5)\\b)\\w+"
> str_replace_all(alldata$columna, regularexprex, "")
[1] "WORD1 WORD2 WORD5" "WORD3"             ""   

首先，toupper() 将 \b 转换为 \B（非单词边界） - 您只需要不区分大小写的匹配（我添加了 (?i) 修饰符），并且单词边界未应用于组，只对两边的项目。

另外，你需要一个匹配整个字符串的模式，所以.*在模式的开头和结尾。

替换的最终正则表达式看起来像

(?i)\s*\b(?!(?:word1|word2|word3|word4|word5)\b)\w+

见regex demo

如果您的条目包含换行符，您还应该添加 s 修饰符：(?i) -> (?s)。

详情：

• (?i) - 不区分大小写的修饰符（适用于 PCRE 和 ICU 正则表达式）
• \s* - 0+ 个空格
• \b - 前导词边界
• (?!(?:word1|word2|word3|word4|word5)\b) - 这个词不能等于 word1 等。
• \w+ - 1+ 个单词字符（字母、数字或下划线）。