如何改进这段代码？使用正则表达式提取信息

Question

我有这个数据框，其中包含一些我正在尝试提取的数据，我实际上没有问题，但我觉得应该有更好/更优雅的方法来做到这一点。

所以，我有这个字符串

CVEGEO=0901500011337<BR>CVE_ENT=09<BR>CVE_MUN=015<BR>CVE_LOC=0001<BR>CVE_AGEB=1337<BR>

136 次，我对 MUN=(.*) and AGEB=(.*) 感兴趣

获取我使用的信息：

test1 <- sub(".*_MUN=(.*)<BR>CVE_LOC=0001<BR>CVE_AGEB=(.*)<.*", "\\1_\\2", L1_AGEB$description)
str_split_fixed(test1, "_", 2)

它工作得很好，但是，就像我说的，这只是为了学术/改进目的。有没有更简单/优雅的方法？

谢谢

Answer 1

一定要看看rex包， 它有一个学习曲线， 但它可能非常漂亮：

library(rex)

rex::re_matches("CVEGEO=0901500011337<BR>CVE_ENT=09<BR>CVE_MUN=015<BR>CVE_LOC=0001<BR>CVE_AGEB=1337<BR>",
                pattern = rex::rex(
                  "MUN=",
                  capture(any_numbers, name = "MUN"),
                  anything,
                  "AGEB=",
                  capture(any_numbers, name = "AGEB")
                ))
  MUN AGEB
1 015 1337

Answer 2

This answer 效率低下。在这里，也许，我们只使用[0-9] 而不是\d，这可能在时间和空间复杂性方面表现得更好，我只是在猜测，就像你提到的那样，你原来的表达只是好吧，当我们使用正则表达式时，通常不推荐环视，也不推荐任何其他花哨的方法。

MUN=([0-9]+).+AGEB=([0-9]+)

Demo

我很确定应该有其他方法来改进我们希望在这里完成的工作，但关键是，您的原始表达已经走在正确的道路上，但可能不是正确的，为此原因我们可能会牺牲所需的优雅。

请查看 cmets 中的其他观点，我只是作为参考，在这里并没有真正的意见/建议，即使听起来可能不是这样。

参考文献

• 2013: \d is less efficient than [0-9]

• 2019: RegEx word performance: \w vs [a-zA-Z0-9_]

• 2018: Difference between [0-9], [[:digit:]] and \d

• 2010: What's the Time Complexity of Average Regex algorithms?

Answer 3

您可以使用带有 PCRE 正则表达式的 regmatches / regexpr 方法，该方法将在已知“前缀”之后提取 1+ 位：

x <- "CVEGEO=0901500011337<BR>CVE_ENT=09<BR>CVE_MUN=015<BR>CVE_LOC=0001<BR>CVE_AGEB=1337<BR>"
regmatches(x, regexpr("_MUN=\\K\\d+", x, perl=TRUE))
## => [1] "015"
regmatches(x, regexpr("_AGEB=\\K\\d+", x, perl=TRUE))
## => [1] "1337"

在线查看R demo。

正则表达式详细信息

• _MUN= - _MUN 文字
• \K - 匹配重置运算符，丢弃目前匹配的文本
• \d+ - 1 位以上。

perl=TRUE 的使用对于正则表达式的工作至关重要。

使用stringr 等效：

library(stringr)
str_extract(x, "(?<=_MUN=)\\d+")
str_extract(x, "(?<=_AGEB=)\\d+")

(?<=...) 肯定后向仅检查紧靠当前位置左侧的模式匹配，但不消耗文本，即不将其放入匹配值中。

还有一个奇特的解决方案，stringr::str_match 将结果一次性捕获到第 2 列和第 3 列：

library(stringr)
str_match(x, "_MUN=(\\d+).*_AGEB=(\\d+)")
#      [,1]                                        [,2]  [,3]  
# [1,] "_MUN=015<BR>CVE_LOC=0001<BR>CVE_AGEB=1337" "015" "1337"

Answer 4

我们可以通过将输入转换为 DCF 格式来完全解析整个输入。这样做的好处是可以轻松地随后提取任何字段。

假设在最后的注释中输入x，我们可以用换行符替换<BR>，用冒号替换=，然后使用read.dcf读取剩下的内容。没有使用任何包。

x2 <- gsub("=", ":", gsub("<BR>", "\n", x))
read.dcf(textConnection(x2))

给出这个字符矩阵：

     CVEGEO          CVE_ENT CVE_MUN CVE_LOC CVE_AGEB
[1,] "0901500011337" "09"    "015"   "0001"  "1337"  
[2,] "0901500011337" "09"    "015"   "0001"  "1337"  
[3,] "0901500011337" "09"    "015"   "0001"  "1337"  

使用 magrittr 包的变体是：

library(magrittr)
x %>%
  gsub("<BR>", "\n", .) %>%
  gsub("=", ":", .) %>%
  textConnection %>%
  read.dcf

注意

x <- "CVEGEO=0901500011337<BR>CVE_ENT=09<BR>CVE_MUN=015<BR>CVE_LOC=0001<BR>CVE_AGEB=1337<BR>"
x <- rep(x, 3)