R中的屏蔽电话号码

Question

我的原始数据有很多个人信息，所以我在R中屏蔽了它们。示例数据和我的原始代码如下：

install.packages("stringr")
library(string)

x = c("010-1234-5678",
      "John 010-8888-8888",
      "Phone: 010-1111-2222",
      "Peter 018.1111.3333",
      "Year(2007,2019,2020)",
      "Alice 01077776666")

df = data.frame(
  phoneNumber = x
)

pattern1 = "\\d{3}-\\d{4}-\\d{4}"
pattern2 = "\\d{3}.\\d{4}.\\d{4}"
pattern3 = "\\d{11}"

delPhoneList1 <- str_match_all(df, pattern1) %>% unlist
delPhoneList2 <- str_match_all(df, pattern2) %>% unlist
delPhoneList3 <- str_match_all(df, pattern3) %>% unlist

我从数据集中找到了三种模式，每种结果如下：

> delPhoneList1
[1] "010-1234-5678" "010-8888-8888" "010-1111-2222"
> delPhoneList2
[1] "010-1234-5678" "010-8888-8888" "010-1111-2222" "018.1111.3333" "007,2019,2020"
> delPhoneList3
[1] "01077776666"

Pattern1 是我所在国家/地区使用破折号的典型电话号码类型，但有人使用逗号键入诸如 pattern2 之类的号码。但是，pattern2 也包含 pattern1，因此它会像年份系列一样检测其他模式。这是一个意想不到的结果。

我的问题是如何匹配我定义的确切模式。模式2包含过多的模式，例如"007,2019,2020" from "Year(2007,2019,2020)"。

此外，下一步是使用以下代码屏蔽数字：

for (phone in delPhoneList1) {
  df$phoneNumber <- gsub(phone, "010-9999-9999", df$phoneNumber)
}

我认为代码对我来说是完美的，但如果你有更有效的方法，请告诉我。

谢谢。

Answer 1

一个模式来统治他们所有;-)

ptn <- "\\b\\d{3}([-.]?)\\d{4}\\1\\d{4}\\b"
grepl(ptn, x)
# [1]  TRUE  TRUE  TRUE  TRUE FALSE  TRUE

• 您的pattern2 失败的原因是它使用. 作为分隔符，但在正则表达式中表示“任何字符”。您可以使用\\. 而不是.，它的表现会更好。

• 我在这里使用占位符：如果第一个分隔符是-，那么\\1 确保另一个分隔符相同。如果它是空的，那么第二个也是空的。这也允许pattern3的11个不间断号码。

• \\b 是单词边界，向我们保证 12 位数字不匹配：

  grepl(ptn, c("12345678901", "123456789012"))
  # [1]  TRUE FALSE
  

由于它有一个占位符，它往往会与stringr:: 函数混淆，但我们可以根据您的需要解决这个问题。

例如，如果您将占位符替换为相同模式的第二个实例，则它可能允许123-4444.5555（混合分隔符），如果这不是问题的话。

ptn2 <- "\\b\\d{3}[-.]?\\d{4}[-.]?\\d{4}\\b"
unlist(str_match_all(x, ptn2))
# [1] "010-1234-5678" "010-8888-8888" "010-1111-2222" "018.1111.3333" "01077776666"  

或者我们可以利用匹配的模式数量（原始ptn）：

unlist(str_match(x, ptn)[,1])
# [1] "010-1234-5678" "010-8888-8888" "010-1111-2222" "018.1111.3333" NA              "01077776666"