我有一个用例，我必须将一个句子分成几部分。 被切断的部分有一个日期戳（格式如 - 30.12.17/13.24）
文本示例如下所示：
"BEA NR:JH8D78 30.12.17/13.24 ALBERT HEIJN 1311 UTRECH,PAS599"
我想删掉的部分是：
"ALBERT HEIJN 1311 UTRECH"
所以"30.12.17/13.24"之后和之前的部分：",PAS599"
我的想法是这样的：
(13.24) 关于这是否是正确的方法的任何反馈？我的假设是有更聪明的方法来削减它....？
【问题讨论】：
标签： r
正则表达式会以一般的方式做到这一点
这是一个例子
# install.packages('stringr')
library(stringr)
sample = "BEA NR:JH8D78 30.12.17/13.24 ALBERT HEIJN 1311 UTRECH,PAS599"
pattern = regex(".*\\s\\d+[.]\\d+[.]\\d+/\\d+[.]\\d+\\s*(.*),.*", perl=T)
result = str_match(sample, pattern)
result[2]
在近似英语中，正则表达式正在执行以下操作
查找任何字符，然后是一些空格，然后是数字模式，然后是一些可选的空格。此时开始一个捕获组并记住逗号之前的任何内容。
str_match 结果的第二个元素是捕获组的内容。
【讨论】：
我建议使用 stringr 包来完成您的工作 - 有很多方法可以执行正则表达式，但 stringr's 语法更简单一些。以下是我基于将其转化为函数的建议 - 这是假设您可能有许多结构相同但数据不同的案例。
library(stringr)
my_string = 'BEA NR:JH8D78 30.12.17/13.24 ALBERT HEIJN 1311 UTRECH,PAS599'r)
get_middle <- function(my_string){
date <- "(([0-9]{2}[.]){2})[0-9]{2}[/]([0-9]{2}[.])[0-9]{2}[ ]"
after_date <- str_split(my_string, date)[[1]][2] # Remove date and all before
final <- strsplit(after_date, ',')[[1]][1] # Remove comma and all after
return(final)
}
如果你愿意，你可以让它更简洁，但简而言之，这只是创建一个模式来匹配日期：
[0-9] 匹配任意数字的单个数字；{ 和 }）表示连续多少次匹配上一个条目[.] 和 [/] 分别匹配句点和斜线文字然后我在逗号上分开。
【讨论】：
我喜欢regular expressions，因为传入的文本没有很好的分隔符。但它确实比strsplit() 需要更多的努力。如果这个任务是你唯一喜欢做的事情，那么学习正则表达式可能不值得。但是一旦你学会了它们，你就会看到很多利用它们的机会。
以下正则表达式模式提取/捕获“13.24”和“ALBERT HEIJN 1311 UTRECH”。它有点隐藏在模式中，但括号是使一切正常的原因。他们capture您要捕获/提取的输入元素。然后gsub()替换第一个（“\1”）或第二个（“\2”）组的整个匹配。
pattern <- "^.+?/(\\d{2}\\.\\d{2}) (.+?),\\w{2,}\\d{3,}$"
ds <- tibble::tibble(
x = c(
"BEA NR:JH8D78 30.12.17/13.24 ALBERT HEIJN 1311 UTRECH,PAS599",
"ABC NR:JH8D78 30.12.17/09.00 Piggly Wiggly 91 Dorestad,PAS601"
)
)
regex tester 解释了上述模式中使用的不同标记。如果您需要使模式更灵活，这也是一个起点。 （我对您必须从客户端读取的地理空间输入类型做了一些假设。）当您将模式从测试仪移至 R 时，请记住转义反斜杠（这实际上意味着将单个反斜杠转换为双引号）。
ds$y1 <- as.numeric(gsub(pattern, "\\1", ds$x))
ds$y2 <- gsub(pattern, "\\2", ds$x)
> ds[, c("y1", "y2")]
# A tibble: 2 x 2
y1 y2
<dbl> <chr>
1 13.24 ALBERT HEIJN 1311 UTRECH
2 9.00 Piggly Wiggly 91 Dorestad
【讨论】：
我会做两个拆分： 1.- 根据斜线“/”拆分，然后是两个字母数字字符、一个点、两个字母数字字符。 2.- 然后取第一个拆分的第二部分，并使用逗号再次拆分。
例如：
t <- "BEA NR:JH8D78 30.12.17/13.24 ALBERT HEIJN 1311 UTRECH,PAS599"
res <- paste(strsplit(t, "/\\d+.\\d+\\s", perl = T)[[1]][1], strsplit(t, ",", perl = T)[[1]][2], sep = ",")
res
[1] "BEA NR:JH8D78 30.12.17,PAS599"
【讨论】：
以最简单的形式假设",PAS" 是结尾的固定字符。我使用了vector 来展示转换多行，其中每行将成为vector 的一个元素。
v <- c("BEA NR:JH8D78 30.12.17/13.24 ALBERT HEIJN 1311 UTRECH,PAS599")
lst <- lapply(strsplit(v, "\\/[0-9]+\\.[0-9]+ |,PAS[0-9]+", perl = TRUE), function(x){
x[2]
})
#> lst
#[[1]]
#[1] "ALBERT HEIJN 1311 UTRECH"
【讨论】：