如何使用 stringr 将两个正则表达式与 if else 结合起来答案

【问题标题】：how to combine two regex with if else using stringr如何使用 stringr 将两个正则表达式与 if else 结合起来
【发布时间】：2019-12-11 23:52:43
【问题描述】：

问题：大家好，我有这个示例数据框，其中包含我需要提取的机构名称：

mydf<- data.frame(ID=c('1', '2', '3'), Institution=c('Univ of Space, TX, US', '[Bloggs, J., Smith, T.] Univ of Time, CA, US', '[Windz, P., Lol, D.] College of the World, CA, US' ))

我只需要提取机构名称，它会如下所示：

1 Univ of Space
2 Univ of Time
3 College of the World

我不关心机构字符串中的任何其他字符，只关心第一个逗号之前的所有字符。问题是我在某些情况下机构名称前面会带有一个括号，有时是单独的（如第一行的情况）。

我编写了以下代码来分别提取这两个实例：

ex_inst<- str_extract_all(mydf$Institution,"(?<=])(.+?)(?=,)", simplify = TRUE)
ex_inst2<- str_extract_all(mydf$Institution,"^(.+?)(?=,)", simplify = TRUE)

我正在努力将它们结合在一起。我已经研究了交替，并尝试了这个

ex_inst3<- str_extract_all(mydf$Institution,"^(.+?)(?=,)|(?<=])(.+?)(?=,)", simplify = TRUE)

但我对正则表达式没有经验，并且对它的输出感到困惑：

[1,] "Univ of Space" ""                     
[2,] "[Bloggs"       " Univ of Time"        
[3,] "[Windz"        " College of the World"

将它与 stringr 结合的最佳方法是什么，我可以使用某种 if else 语句吗？谢谢。

【问题讨论】：

标签： r regex stringr

【解决方案1】：

我们可以使用str_replace 来捕获不是, 的字符，同时删除包括方括号在内的任何字符

library(stringr)
str_replace(mydf$Institution,"^(\\[[^]]*\\]\\s*)?([^,]+),.*", "\\2")
#[1] "Univ of Space"        "Univ of Time"         "College of the World"

或者使用与sub相同的模式

sub("^(\\[[^]]*\\]\\s*)?([^,]+),.*", "\\2", mydf$Institution)
#[1] "Univ of Space"        "Univ of Time"         "College of the World"

更新

如果我们有多个条目，一个选项是拆分成组件，然后使用与上面相同的代码

v1 <- unlist(strsplit(as.character(mydf$Institution), ";\\s(?=\\[)", perl = TRUE))
sub("^(\\[[^]]*\\]\\s*)?([^,]+),.*", "\\2", v1)
#[1] "Univ of Space"        "Univ of Time"         
#[3] "College of the World" "College of the World" "Space Institute"

如果我们需要追加为新列

lst1 <- setNames(strsplit(as.character(mydf$Institution), 
      ";\\s(?=\\[)", perl = TRUE), mydf$ID)
mydf2 <- stack(lst1)
mydf2$values <- sub("^(\\[[^]]*\\]\\s*)?([^,]+),.*", "\\2", stack(lst1)$values)
out1 <- aggregate(values ~ ., merge(mydf, mydf2, by.x = "ID", by.y = "ind"),
      FUN = paste, collapse = '; ')
out1[order(as.numeric(out1$ID)),]
#  ID                                                                                      Institution                                values
#4  1                                                                            Univ of Space, TX, US                         Univ of Space
#1  2                                                     [Bloggs, J., Smith, T.] Univ of Time, CA, US                          Univ of Time
#2  3                                                [Windz, P., Lol, D.] College of the World, CA, US                  College of the World
#3  4 [Windz, P., Lol, D.] College of the World, CA, US; [Bon, D.; Wilson, M.] Space Institute, TX, US College of the World; Space Institute

数据

mydf <- structure(list(ID = c("1", "2", "3", "4"), Institution = c("Univ of Space, TX, US", 
"[Bloggs, J., Smith, T.] Univ of Time, CA, US", "[Windz, P., Lol, D.] College of the World, CA, US", 
"[Windz, P., Lol, D.] College of the World, CA, US; [Bon, D.; Wilson, M.] Space Institute, TX, US"
)), class = "data.frame", row.names = c(NA, -4L))

注意：来自 cmets 的更新数据

【讨论】：

谢谢。如果同一字符串中还有其他机构，有没有办法做到这一点，例如[Windz, P., Lol, D.] College of the World, CA, US; [Bon, D.; Wilson, M.] Space Institute, TX, US 有没有办法同时提取“世界学院”和“太空学院”
@vuvuzelling 试试v1 <- unlist(strsplit(as.character(mydf$Institution), ";\\s(?=\\[)", perl = TRUE));sub("^(\\[[^]]*\\]\\s*)?([^,]+),.*", "\\2", v1)# [1] "Univ of Space" "Univ of Time" "College of the World" "College of the World" "Space Institute"
这工作得很好，但我很困惑如何将它返回到一个数据框中，其中的组件与它们各自的 ID 匹配？
@vuvuzelling 更新帖子
感谢@akrun，效果很好。我会把你的标记为答案，因为我喜欢在 sub() 中有一个更复杂的正则表达式供我学习

【解决方案2】：

这是一个使用str_remove 和separate 的选项

library(dplyr)
library(tidyr)
mydf %>%
    mutate(Institution = str_remove(Institution, "\\[.+\\]")) %>%
    separate(Institution, c("Institution", "State", "Country"), sep = ", ")
#  ID           Institution State Country
#1  1         Univ of Space    TX      US
#2  2          Univ of Time    CA      US
#3  3  College of the World    CA      US

您可以使用select(-State, -Country) 删除State 和Country 列。

或者在separate期间删除额外的列

mydf %>%
    mutate(Institution = str_remove(Institution, "\\[.+\\]")) %>%
    separate(Institution, "Institution", sep = ", ", extra = "drop")
#  ID           Institution
#1  1         Univ of Space
#2  2          Univ of Time
#3  3  College of the World

更新

根据您的评论，这似乎变得有点复杂。

对于您修改后的样本数据

mydf<- data.frame(
    ID=c('1', '2', '3', '4'),
    Institution=c('Univ of Space, TX, US', '[Bloggs, J., Smith, T.] Univ of Time, CA, US', '[Windz, P., Lol, D.] College of the World, CA, US', '[Windz, P., Lol, D.] College of the World, CA, US; [Bon, D., Wilson, M.] Space Institute, TX, US'))

我们可以的

mydf %>%
    mutate(Institution = map(
        str_split(Institution, "; "),
        ~trimws(str_remove(.x, "\\[.+\\]")))) %>%
    unnest(Institution) %>%
    separate(Institution, "Institution", sep = ", ", extra = "drop") %>%
    group_by(ID) %>%
    mutate(col = sprintf("Insitution%i", 1:n())) %>%
    pivot_wider(names_from = col, values_from = Institution)
## A tibble: 4 x 3
## Groups:   ID [4]
#  ID    Insitution1          Insitution2
#  <fct> <chr>                <chr>
#1 1     Univ of Space        NA
#2 2     Univ of Time         NA
#3 3     College of the World NA
#4 4     College of the World Space Institute

【讨论】：

我真的很喜欢这种替代方法，它适用于示例！我使用 str_extract 是因为我可能会在同一个字符串中遇到多个机构，所以它会提取它找到的所有内容。使用 mutate 虽然它只会提取第一个实例，然后用那个实例创建机构列，但是我怎么能解决一个问题，我可能有一个像 [Windz, P., Lol, D.] College of the World, CA, US; [Bon, D.; Wilson, M.] Space Institute, TX, US 这样的字符串，我需要留下两个学院世界与空间研究所在两个单独的专栏中？
@vuvuzelling 这有点复杂，我进行了编辑以显示一个选项。请看一看。

【解决方案3】：

应该有一种方法可以只用一个sub 来做到这一点，但是这里有一个在基础R 中有两个sub 的方法

sub('(.*?),.*', '\\1', sub('\\[.*\\]', "", mydf$Institution))
#[1] "Univ of Space"         " Univ of Time"         " College of the World"

其中内部的用于删除方括号内的所有内容，外部的用于捕获直到第一个逗号。

str_match 的替代方法

stringr::str_match(mydf$Institution, "(\\[.*\\]\\s)?(.*?),")[, 3]
#[1] "Univ of Space"        "Univ of Time"         "College of the World"

【讨论】：