如何使用 stringr (str_split) 或 strsplit with r 保留正则表达式答案

【问题标题】：how to preserve regex using stringr (str_split) or strsplit with r如何使用 stringr (str_split) 或 strsplit with r 保留正则表达式
【发布时间】：2020-11-18 17:39:25
【问题描述】：

我有一些肮脏的数据需要整理。这是一个例子：

x <- "FIRST LAST Sep 1, 2020   1234567 Jan 1, 1985 555-555-5555 100 Main St. Somewhere, CA 90009  Atorvastatin Calcium Cetirizine HCl Diflucan Flonase Allergy Relief Hydrochlorothiazide HydrOXYzine Pamoate Oct 1, 2020 Sep 1, 2020   1234567 Jan 1, 1985 555-555-5555 

FIRSTA LASTA Sep 12, 2020   2234567 Jan 12, 1985 555-555-5552 1002 MAIN AVE, CA 90009 DR. JOHN SMITH Cetirizine HCl Diflucan Flonase Allergy Relief Hydrochlorothiazide HydrOXYzine Pamoate Oct 12, 2020 Sep 12, 2020   2234567 Jan 12, 1985 555-555-5552 Smith REX

FIRSTB LASTB Sep 13, 2020   3234567 Jan 13, 1985 555-555-5553 1003 Main St. Somewhere, CA 90009  Cetirizine HCl Diflucan Flonase Allergy Relief Hydrochlorothiazide HydrOXYzine Pamoate Oct 13, 2020 Sep 13, 2020   3234567 Jan 13, 1985 555-555-5553 Somewhere"

我正在尝试获取一个表，其中包含单列和数据行，按第一个 - 空格 - 姓氏（全部大写，例如 FIRST LAST、FIRSTB LASTA、FIRSTB、LASTB），同时保留所述名称。我从基础 strsplit 开始，但放弃了。以下是我的 stringr 尝试：

str_split(x, "[A-Z]+ (?=[A-Z]+)")

这很接近，但我忘记了名字。

str_split(x, "(?<=[A-Z]+) (?=[A-Z]+)")

由于缺少有界最大值，这会引发错误。

预期输出：

[1] FIRST LAST Sep 1, 2020   1234567 Jan 1, 1985 555-555-5555 100 Main St. Somewhere, CA 90009  Atorvastatin Calcium Cetirizine HCl Diflucan Flonase Allergy Relief Hydrochlorothiazide HydrOXYzine Pamoate Oct 1, 2020 Sep 1, 2020   1234567 Jan 1, 1985 555-555-5555 

[2] FIRSTA LASTA Sep 12, 2020   2234567 Jan 12, 1985 555-555-5552 1002 Main St. Somewhere, CA 90009  Cetirizine HCl Diflucan Flonase Allergy Relief Hydrochlorothiazide HydrOXYzine Pamoate Oct 12, 2020 Sep 12, 2020   2234567 Jan 12, 1985 555-555-5552 

[3] FIRSTB LASTB Sep 13, 2020   3234567 Jan 13, 1985 555-555-5553 1003 Main St. Somewhere, CA 90009  Cetirizine HCl Diflucan Flonase Allergy Relief Hydrochlorothiazide HydrOXYzine Pamoate Oct 13, 2020 Sep 13, 2020   3234567 Jan 13, 1985 555-555-5553

【问题讨论】：

您的预期输出是什么？ strsplit(x, "(?<=\\d) (?=[A-Z]{3,})", perl=TRUE) 能解决问题吗？
是的 Onyambu，适用于我最初发布的示例。我的真实数据更复杂，并且不会始终以数字结尾。我已经调整了样本，使其更能代表真实数据。
或许你应该考虑strsplit(x, "(?<=[^A-Z])\\s+(?=[A-Z]{3,})", perl = TRUE)
我知道你用正则表达式去哪里了。说得通。我的数据中有一些全部大写的案例，所以我确实再次更新了样本，以防万一有人有想法。否则代码运行良好。
问题是你怎么知道名字和姓氏？您需要尽可能具体，以免最终在错误的位置分裂

标签： r stringr

【解决方案1】：

我猜你想要的是获取每条记录，如果是这样，你需要在名字姓氏之前的换行符上进行拆分：

str_split(x, "\\n(?=[A-Za-z]+ [A-Za-z]+)")
[[1]]
[1] "FIRST LAST Sep 1, 2020   1234567 Jan 1, 1985 555-555-5555 100 Main St. Somewhere, CA 90009  Atorvastatin Calcium Cetirizine HCl Diflucan Flonase Allergy Relief Hydrochlorothiazide HydrOXYzine Pamoate Oct 1, 2020 Sep 1, 2020   1234567 Jan 1, 1985 555-555-5555 \n"
[2] "FIRSTA LASTA Sep 12, 2020   2234567 Jan 12, 1985 555-555-5552 1002 MAIN AVE, CA 90009 DR. JOHN SMITH Cetirizine HCl Diflucan Flonase Allergy Relief Hydrochlorothiazide HydrOXYzine Pamoate Oct 12, 2020 Sep 12, 2020   2234567 Jan 12, 1985 555-555-5552 Smith REX\n"
[3] "FIRSTB LASTB Sep 13, 2020   3234567 Jan 13, 1985 555-555-5553 1003 Main St. Somewhere, CA 90009  Cetirizine HCl Diflucan Flonase Allergy Relief Hydrochlorothiazide HydrOXYzine Pamoate Oct 13, 2020 Sep 13, 2020   3234567 Jan 13, 1985 555-555-5553 Somewhere"

{stringr} 使用的底层正则表达式库不支持动态长度后视

在与 @Onyambu 讨论之后，如果您的数据集没有换行符，即换行符，您可以使用以下内容：

str_split(x, " +(?=[A-Za-z]+ [A-Za-z]+ [A-Z][a-z]+ \\d{2}, \\d{4} +\\d{7})")
[[1]]
[1] "FIRST LAST Sep 1, 2020   1234567 Jan 1, 1985 555-555-5555 100 Main St. Somewhere, CA 90009  Atorvastatin Calcium Cetirizine HCl Diflucan Flonase Allergy Relief Hydrochlorothiazide HydrOXYzine Pamoate Oct 1, 2020 Sep 1, 2020   1234567 Jan 1, 1985 555-555-5555" 
[2] "FIRSTA LASTA Sep 12, 2020   2234567 Jan 12, 1985 555-555-5552 1002 MAIN AVE, CA 90009 DR. JOHN SMITH Cetirizine HCl Diflucan Flonase Allergy Relief Hydrochlorothiazide HydrOXYzine Pamoate Oct 12, 2020 Sep 12, 2020   2234567 Jan 12, 1985 555-555-5552 Smith REX"
[3] "FIRSTB LASTB Sep 13, 2020   3234567 Jan 13, 1985 555-555-5553 1003 Main St. Somewhere, CA 90009  Cetirizine HCl Diflucan Flonase Allergy Relief Hydrochlorothiazide HydrOXYzine Pamoate Oct 13, 2020 Sep 13, 2020   3234567 Jan 13, 1985 555-555-5553 Somewhere"

如果名称是 @Onyambu 建议的大写，则可以简化正则表达式：

tr_split(x, " +(?=[A-Z]+ [A-Z]+ [A-Z][a-z]+ \\d)")
[[1]]
[1] "FIRST LAST Sep 1, 2020   1234567 Jan 1, 1985 555-555-5555 100 Main St. Somewhere, CA 90009  Atorvastatin Calcium Cetirizine HCl Diflucan Flonase Allergy Relief Hydrochlorothiazide HydrOXYzine Pamoate Oct 1, 2020 Sep 1, 2020   1234567 Jan 1, 1985 555-555-5555" 
[2] "FIRSTA LASTA Sep 12, 2020   2234567 Jan 12, 1985 555-555-5552 1002 MAIN AVE, CA 90009 DR. JOHN SMITH Cetirizine HCl Diflucan Flonase Allergy Relief Hydrochlorothiazide HydrOXYzine Pamoate Oct 12, 2020 Sep 12, 2020   2234567 Jan 12, 1985 555-555-5552 Smith REX"
[3] "FIRSTB LASTB Sep 13, 2020   3234567 Jan 13, 1985 555-555-5553 1003 Main St. Somewhere, CA 90009  Cetirizine HCl Diflucan Flonase Allergy Relief Hydrochlorothiazide HydrOXYzine Pamoate Oct 13, 2020 Sep 13, 2020   3234567 Jan 13, 1985 555-555-5553 Somewhere"

【讨论】：

每次我们发布问题时，他都会编辑这个问题。您会注意到他希望我们直观地看到 x。起初，x 只是一个没有换行符的长字符串。所以从技术上讲，我不认为这是 OP 的想法，但我可能错了
@Onyambu 是的，我知道降价不正确，我对其进行了编辑。和你一样，当我看到标题时，我首先想到的是使用环视，现在看起来有点过头了。
您会注意到，在 cmets 中，我会发布一个有效的正则表达式，然后 OP 会编辑问题。可能后来添加了换行符。但我认为 OP 在他们的数据集中没有 LF
@Onyambu 我发现了一个模式，主要是名字后跟姓氏，然后是一个日期，然后是一个 7 位数字
这是解决这个问题的好方法