从字符串中提取州缩写和邮政编码

Question

我想从以下字符串中提取州缩写（2 个字母）和邮政编码（4 个或 5 个数字）

    address <- "19800 Eagle River Road, Eagle River AK 99577
              907-481-1670
              230 Colonial Promenade Pkwy, Alabaster AL 35007
              205-620-0360
              360 Connecticut Avenue, Norwalk CT 06854
              860-409-0404
              2080 S Lincoln, Jerome ID 83338
              208-324-4333
              20175 Civic Center Dr, Augusta ME 4330
              207-623-8223
              830 Harvest Ln, Williston VT 5495
              802-878-5233
              "

对于邮政编码，我尝试了一些我在这里找到的方法，但主要是因为 5 个数字街道地址或只有 4 个数字的邮政编码没有奏效

    text <- readLines(textConnection(address))

    library(stringi)
    zip <- stri_extract_last_regex(text, "\\d{5}")
    zip

    library(qdapRegex)
    rm_zip3 <- rm_(pattern="(?<!\\d)\\d{5}(?!\\d)", extract = TRUE)
    zip <- rm_zip3(text)
    zip

    [1] "99577" "1670"  "35007" "0360"  "06854" "0404"  "83338" "4333"  "4330"  "8223"  "5495"  "5233"  NA 

对于州缩写，我不知道如何提取

任何帮助表示赞赏！提前致谢！

修改 1：包括电话号码

Answer 1

提取邮政编码的代码：

zip <- str_extract(text, "\\d{5}")

提取状态码的代码：

states <- str_extract(text, "\\b[A-Z]{2}(?=\\s+\\d{5}$)")

提取电话号码的代码：

phone <- str_extract(text, "\\b\\d{3}-\\d{3}-\\d{4}\\b")

注意：您的数据似乎有问题，因为最后 2 个邮政编码应该是 5 个字符而不是 4 个字符。4330 实际上应该是 04330。如果您无法控制数据源，但确定它们是美国代码，您可以根据需要在左侧填充 0。但是，由于您正在寻找 4 或 5 个字符的解决方案，您可以使用：

提取邮政编码的代码（寻找前面的空格和后面的换行符，这样电话号码或地址的一部分就不会被选中）

zip <- str_extract(text, "(?<= )\\d{4,5}(?=\\n|$)")

提取状态码的代码：

states <- str_extract(text, "\\b[A-Z]{2}(?=\\s+\\d{4,5}$)")

演示：https://regex101.com/r/7Im0Mu/2

Answer 2

我使用 address 作为输入而不是文本，看看它是否适合您的情况。

关于正则表达式的假设： 两个大写字母后跟 4 或 5 个数字字母表示州和邮编，电话号码总是在下一行。

输入：

address <- "19800 Eagle River Road, Eagle River AK 99577
907-481-1670
230 Colonial Promenade Pkwy, Alabaster AL 35007
205-620-0360
360 Connecticut Avenue, Norwalk CT 06854
860-409-0404
2080 S Lincoln, Jerome ID 83338
208-324-4333
20175 Civic Center Dr, Augusta ME 4330
207-623-8223
830 Harvest Ln, Williston VT 5495
802-878-5233
"

我使用的是stringr库，你可以选择任何其他的来提取你想要的信息。

library(stringr)
df <- data.frame(do.call("rbind",strsplit(str_extract_all(address,"[A-Z][A-Z]\\s\\d{4,5}\\s\\d{3}-\\d{3}-\\d{4}")[[1]],split="\\s|\\n")))
names(df) <- c("state","Zip","Phone")

编辑：

如果有人想使用文本作为输入，

text <- readLines(textConnection(address))
text <- data.frame(text)
st_zip <- setNames(data.frame(str_extract_all(text$text,"[A-Z][A-Z]\\s\\d{4,5}",simplify = T)),"St_zip")
pin <- setNames(data.frame(str_extract_all(text$text,"\\d{3}-\\d{3}-\\d{4}",simplify = T)),"pin")
st_zip <- st_zip[st_zip$St_zip != "",]
df1 <- setNames(data.frame(do.call("rbind",strsplit(st_zip,split=' '))),c("State","Zip"))
pin <- pin[pin$pin != "",]
df2 <- data.frame(cbind(df1,pin))

输出：

    State   Zip    pin
1    AK 99577 907-481-1670
2    AL 35007 205-620-0360
3    CT 06854 860-409-0404
4    ID 83338 208-324-4333
5    ME  4330 207-623-8223
6    VT  5495 802-878-5233

Answer 3

谢谢@Rahul。两者都会很棒。至少你能告诉我如何用 Notepad++ 做到这一点吗？

---

使用记事本++提取

1. 首先将整个数据复制到一个文件中。

2. 通过按 Ctrl + F 转到 Find。这将打开搜索对话框。使用正则表达式([A-Z]{2}\s*\d{4,5})$ 选择Replace 选项卡搜索并替换为\n-\1-\n。这将搜索州缩写和邮政编码并将它们放在新行中，并以- 作为前缀和后缀。

1. 现在转到Mark 选项卡。选中 Bookmark Line 复选框，然后使用 -(.*?)- 搜索并按 Mark All。这将用 - 标记换行符中的状态 abb 和 ZIP。

4. 现在转到搜索-->书签-->删除未标记的行

5. 最后用^-|-$搜索并替换为空字符串。

---

更新

所以现在也会有电话号码？在这种情况下，您只需在步骤 2 中从正则表达式中删除 $。要使用的正则表达式将是 ([A-Z]{2}\s*\d{4,5})。其余所有步骤将相同。