如何使用R从列中提取文本答案

【问题标题】：How to extract text from a column using R如何使用R从列中提取文本
【发布时间】：2021-01-26 15:11:36
【问题描述】：

对于特定列中的每一行（Excel 文件中有大约 56,000 条记录），我将如何仅提取字符串的一部分？我需要将所有文本保留在最后一个“/”正斜杠的左侧。挑战在于并非所有单元格都具有相同数量的“/”。最后一个 '/' 的末尾总是有一个文件名 (*.wav)，但文件名中的字符数并不总是相同（有时为 5，有时为 6）。

以下是单元格中字符串的一些示例：
cloch/51.wav
grand/Grand_bombarde/02-suchy_Grand_bombarde/038-D.wav
grand/Grand_bombarde/02-suchy_Grand_bombarde/039-D#.wav
AB_AeolinaL/025-C#.wav
AB_AeolinaL/026-D.wav
AB_violadamourL/rel99999/091-G.wav
AB_violadamourL/rel99999/092-G#.wav
AB_violadamourR/024-C.wav
AB_violadamourR/025-C#.wav

提取的文本应为：
钟形
盛大/Grand_bombarde/02-suchy_Grand_bombarde
盛大/Grand_bombarde/02-suchy_Grand_bombarde
AB_AeolinaL
AB_AeolinaL
AB_violadamourL/rel99999
AB_violadamourL/rel99999
AB_violadamourR
AB_violadamourR

谁能推荐使用 R 的策略？

【问题讨论】：

标签： r string extract

【解决方案1】：

您可以使用stringr 包str_remove(string,pattern) 函数，如：

str = "grand/Grand_bombarde/02-suchy_Grand_bombarde/038-D.wav"
str_remove(str,"/[0-9]+[-]*[A-Z]*[#]*[.][a-z]+")

输出：

> str_remove(str,"/[0-9]+[-]*[A-Z]*[#]*[.][a-z]+")
[1] "grand/Grand_bombarde/02-suchy_Grand_bombarde"

然后你可以遍历所有其他字符串：

strings <- c("cloch/51.wav",
             "grand/Grand_bombarde/02-suchy_Grand_bombarde/038-D.wav",
             "grand/Grand_bombarde/02-suchy_Grand_bombarde/039-D#.wav",
             "AB_AeolinaL/025-C#.wav",
             "AB_AeolinaL/026-D.wav",
             "AB_violadamourL/rel99999/091-G.wav",
             "AB_violadamourL/rel99999/092-G#.wav",
             "AB_violadamourR/024-C.wav",
             "AB_violadamourR/025-C#.wav")
str_remove(strings,"/[0-9]+[-]*[A-Z]*[#]*[.][a-z]+")

输出：

> str_remove(strings,"/[0-9]+[-]*[A-Z]*[#]*[.][a-z]+")
[1] "cloch"                                       
[2] "grand/Grand_bombarde/02-suchy_Grand_bombarde"
[3] "grand/Grand_bombarde/02-suchy_Grand_bombarde"
[4] "AB_AeolinaL"                                 
[5] "AB_AeolinaL"                                 
[6] "AB_violadamourL/rel99999"                    
[7] "AB_violadamourL/rel99999"                    
[8] "AB_violadamourR"                             
[9] "AB_violadamourR"

【讨论】：

我也更喜欢删除字符串而不是 substr 方法，因为这允许您保留没有/ 的情况，而无需额外的代码来捕获这些情况，但为什么不直接使用 base R:gsub("/[0-9]+[-]*[A-Z]*[#]*[.][a-z]+", "", strings)?
我一直在使用很多 stringr 软件包，以至于 gsub() 完全让我忘记了。虽然我想我在某处读到 stringr 和 stringi 比基本包快一点。
至少对于这个特定的示例，gsub 似乎快了 3 倍，但我们在这里讨论的是微秒，所以这并不重要。只是说你不需要额外的包......

【解决方案2】：

你必须使用这个方法减去字符串：

substr(strings,1,regexpr("\\/[^\\/]*$", strings)-1)
[1] "cloch"                                       
[2] "grand/Grand_bombarde/02-suchy_Grand_bombarde"
[3] "grand/Grand_bombarde/02-suchy_Grand_bombarde"
[4] "AB_AeolinaL"                                 
[5] "AB_AeolinaL"                                 
[6] "AB_violadamourL/rel99999"                    
[7] "AB_violadamourL/rel99999"                    
[8] "AB_violadamourR"                             
[9] "AB_violadamourR"

输入

strings<-c("cloch/51.wav","grand/Grand_bombarde/02-suchy_Grand_bombarde/038-D.wav","grand/Grand_bombarde/02-suchy_Grand_bombarde/039-D#.wav","AB_AeolinaL/025-C#.wav","AB_AeolinaL/026-D.wav","AB_violadamourL/rel99999/091-G.wav","AB_violadamourL/rel99999/092-G#.wav","AB_violadamourR/024-C.wav","AB_violadamourR/025-C#.wav")

这个正则表达式regexpr("\\/[^\\/]*$", strings) 为您提供最后一个“/”的位置

【讨论】：

【解决方案3】：

假设您建议的字符串位于数据框的列中：

df <- data.frame(x = 1:5, y = c("cloch/51.wav", 
                                "grand/Grand_bombarde/02-suchy_Grand_bombarde/038-D.wav", 
                                "grand/Grand_bombarde/02-suchy_Grand_bombarde/039-D#.wav", 
                                "AB_AeolinaL/025-C#.wav", 
                                "AB_AeolinaL/026-D.wav"))

# I define a function that separates a string at each "/" 
# throws the last piece and reattaches the pieces

cut_str <- function(s) {
  st <- head((unlist(strsplit(s, "\\/"))), -1)
  r <- paste(st, collapse = "/")
  return(r)
}

# through the sapply function I get the desired result

new_strings <- as.vector(sapply(df$y, FUN = cut_str))
new_strings

[1] "cloch"                                       
[2] "grand/Grand_bombarde/02-suchy_Grand_bombarde"
[3] "grand/Grand_bombarde/02-suchy_Grand_bombarde"
[4] "AB_AeolinaL"                                 
[5] "AB_AeolinaL"

【讨论】：

【解决方案4】：

你可以使用

dirname(strings)

如果没有/，则返回.，如果你愿意，可以在之后删除它，例如：

res <- dirname(strings)
res[res=="."] <- ""
``

【讨论】：

【解决方案5】：

您可以使用 / 开始匹配，后跟 1 次或多次除正斜杠或使用否定字符类 [^\\s/]+ 的空白字符之外的任何字符

然后使用$匹配字符串末尾的.wav

例如，使用 sub 将匹配替换为空字符串。

[^\\s/]+\\.wav$

See the regex matches | R demo

strings <- c("cloch/51.wav",
             "grand/Grand_bombarde/02-suchy_Grand_bombarde/038-D.wav",
             "grand/Grand_bombarde/02-suchy_Grand_bombarde/039-D#.wav",
             "AB_AeolinaL/025-C#.wav",
             "AB_AeolinaL/026-D.wav",
             "AB_violadamourL/rel99999/091-G.wav",
             "AB_violadamourL/rel99999/092-G#.wav",
             "AB_violadamourR/024-C.wav",
             "AB_violadamourR/025-C#.wav")

sub("/[^\\s/]+\\.wav$", "", strings)

输出

[1] "cloch"                                       
[2] "grand/Grand_bombarde/02-suchy_Grand_bombarde"
[3] "grand/Grand_bombarde/02-suchy_Grand_bombarde"
[4] "AB_AeolinaL"                                 
[5] "AB_AeolinaL"                                 
[6] "AB_violadamourL/rel99999"                    
[7] "AB_violadamourL/rel99999"                    
[8] "AB_violadamourR"                             
[9] "AB_violadamourR"

【讨论】：