R中的正则表达式：从列中提取字符和数字[关闭]

Question

我正在使用具有尺寸描述列的零售数据集。我的任务是清理列并将数字大小与字符串中的字符分开。有没有办法通过正则表达式来做到这一点？我需要将列中存在的数字和任何其他字符串都保存在两个不同的列中。

对数据的观察：

• 该列包含三大类的尺码：鞋类、上衣和下装。
• 鞋类：单元格中的数字通常是尺码，除此之外的任何东西都要单独存放。独特的案例看起来像 - EU 36（欧盟表示其欧洲尺寸，因此需要转换），UK 8（需要类似转换），19 Wide，10 Kids，19（-25F）（在这种情况下，我真的不需要保存 -25F 信息）。
• 上衣：这里的尺码一般是XXS,XS,S,M,L,XL,XXL,XXXL。与它一起的任何其他字符串，如 Tall、inseam 等都需要单独存储。此外，像 XXL 这样的尺寸也可以表示为 2XL。
• 底裤：这里的尺码一般出现在开头。它可以是数字 - 32 或字符 - XL（类似于上衣）。如果后面有其他字符串，应单独存放。

谢谢！

Answer 1

这里有一个用于多种情况的正则表达式。
它适用于示例。

details <- c("EU 36", "UK 8", "19 Wide", "10 Kids", "19(-25F)", "XXS", "XS is Extra Small", "S", "M", "L", "XL", "XXL", "XXXL", "2XL", "32")

pattern = "\\b(?:(?:(?:2?X*(?:S|L))|M|(?:EU|UK) [0-9]+)|(?:[0-9]{2}(?: (?:Kids|Wide))?))\\b"

matches <- regexpr(pattern, details)

regmatches(details, matches)

正则表达式的分解：

\b    # Word boundary: a position between a word and non-word character 
      # (includes the start/end of the line).
  (?:       # a non-capturing group
    (?:     # ditto
      (?:   # ditto
         2?  # 0 or 1 "2" characters
           X*  # 0 or more "X" characters
             (?:S|L) # "S" or an "L" character
      )
      |    # or
       M   # the "M" character
      |    # or 
       (?:EU|UK) [0-9]+  # "EU" or "UK", followed by a space and 1 or more digits
      |    # or
       (?:[0-9]{2}(?: (?:Kids|Wide))? # 2 digits optionally followed by " Kids" or " Wide"
    )
  )
\b  # Word boundary