Захват группы регулярных выражений в R с несколькими группами захвата


95

Можно ли в R извлечь групповой захват из совпадения регулярного выражения? Насколько я могу судить, ни один из grep, grepl, regexpr, gregexpr, sub, или gsubвернуть снимки группы.

Мне нужно извлечь пары ключ-значение из строк, которые закодированы таким образом:

\((.*?) :: (0\.[0-9]+)\)

Я всегда могу просто выполнить несколько полных совпадений grep или выполнить некоторую внешнюю (не R) обработку, но я надеялся, что смогу сделать все это в R. Есть ли функция или пакет, который предоставляет такую ​​функцию для этого?

Ответы:


119

str_match()из stringrпакета сделает это. Он возвращает матрицу символов с одним столбцом для каждой группы в совпадении (и по одному для всего совпадения):

> s = c("(sometext :: 0.1231313213)", "(moretext :: 0.111222)")
> str_match(s, "\\((.*?) :: (0\\.[0-9]+)\\)")
     [,1]                         [,2]       [,3]          
[1,] "(sometext :: 0.1231313213)" "sometext" "0.1231313213"
[2,] "(moretext :: 0.111222)"     "moretext" "0.111222"    

1
и str_match_all()сопоставить все группы в регулярном выражении
smci

Как я могу просто распечатать только захваченные группы для [, 1]?
nenur

Не уверен, что вы ищете. Захваченные группы - это столбцы 2 и 3. [,1]Полное совпадение. [,2:3]это захваченные группы.
Кент Джонсон

52

gsub делает это из вашего примера:

gsub("\\((.*?) :: (0\\.[0-9]+)\\)","\\1 \\2", "(sometext :: 0.1231313213)")
[1] "sometext 0.1231313213"

вам нужно дважды экранировать \ s в кавычках, тогда они работают для регулярного выражения.

Надеюсь это поможет.


На самом деле мне нужно вытащить захваченные подстроки, чтобы поместить в data.frame. Но, глядя на ваш ответ, я думаю, что мог бы связать gsub и пару strsplit, чтобы получить то, что хочу, возможно: strsplit (strsplit (gsub (regex, "\\ 1 :: \\ 2 ::::", str ), "::::") [[1]], "::")
Дэниел Дикисон, 05

9
Отлично. gsubСтранице R очень нужен пример, показывающий, что вам нужно '\\ 1', чтобы избежать ссылки на группу захвата.
smci

35

Попробуйте regmatches()и regexec():

regmatches("(sometext :: 0.1231313213)",regexec("\\((.*?) :: (0\\.[0-9]+)\\)","(sometext :: 0.1231313213)"))
[[1]]
[1] "(sometext :: 0.1231313213)" "sometext"                   "0.1231313213"

4
Спасибо за решение vanilla R и за указание на то, regmatchesчего я никогда раньше не видел
Энди

Зачем вам нужно писать строку дважды?
Стефано Борини

1
@StefanoBorini regexecвозвращает список, содержащий информацию только о местоположении совпадений, поэтому regmatchesот пользователя требуется указать строку, к которой принадлежит список совпадений.
RTbecard

19

gsub () может это сделать и вернуть только группу захвата:

Однако для того, чтобы это работало, вы должны явно выбрать элементы за пределами вашей группы захвата, как указано в справке gsub ().

(...) элементы символьных векторов 'x', которые не подставляются, будут возвращены без изменений.

Поэтому, если ваш текст, который нужно выделить, находится в середине некоторой строки, добавление. * До и после группы захвата должно позволить вам только вернуть его.

gsub(".*\\((.*?) :: (0\\.[0-9]+)\\).*","\\1 \\2", "(sometext :: 0.1231313213)") [1] "sometext 0.1231313213"


4

Мне нравятся регулярные выражения, совместимые с Perl. Наверное, кто-то другой тоже ...

Вот функция, которая выполняет регулярные выражения, совместимые с Perl, и соответствует функциональности функций на других языках, к которым я привык:

regexpr_perl <- function(expr, str) {
  match <- regexpr(expr, str, perl=T)
  matches <- character(0)
  if (attr(match, 'match.length') >= 0) {
    capture_start <- attr(match, 'capture.start')
    capture_length <- attr(match, 'capture.length')
    total_matches <- 1 + length(capture_start)
    matches <- character(total_matches)
    matches[1] <- substr(str, match, match + attr(match, 'match.length') - 1)
    if (length(capture_start) > 1) {
      for (i in 1:length(capture_start)) {
        matches[i + 1] <- substr(str, capture_start[[i]], capture_start[[i]] + capture_length[[i]] - 1)
      }
    }
  }
  matches
}

3

Вот как я решил решить эту проблему. Я использовал два отдельных регулярных выражения для сопоставления первой и второй групп захвата и gregexprвыполнил два вызова, а затем вытащил сопоставленные подстроки:

regex.string <- "(?<=\\().*?(?= :: )"
regex.number <- "(?<= :: )\\d\\.\\d+"

match.string <- gregexpr(regex.string, str, perl=T)[[1]]
match.number <- gregexpr(regex.number, str, perl=T)[[1]]

strings <- mapply(function (start, len) substr(str, start, start+len-1),
                  match.string,
                  attr(match.string, "match.length"))
numbers <- mapply(function (start, len) as.numeric(substr(str, start, start+len-1)),
                  match.number,
                  attr(match.number, "match.length"))

+1 за рабочий код. Однако я бы предпочел запустить быструю команду оболочки из R и использовать однострочную оболочку Bash, подобную этойexpr "xyx0.0023xyxy" : '[^0-9]*\([.0-9]\+\)'
Александр Левчук

3

Решение с strcaptureпомощью utils:

x <- c("key1 :: 0.01",
       "key2 :: 0.02")
strcapture(pattern = "(.*) :: (0\\.[0-9]+)",
           x = x,
           proto = list(key = character(), value = double()))
#>    key value
#> 1 key1  0.01
#> 2 key2  0.02

2

Как указывается в stringrпакете, это может быть достигнуто с помощью либо str_match()или str_extract().

Взято из руководства:

library(stringr)

strings <- c(" 219 733 8965", "329-293-8753 ", "banana", 
             "239 923 8115 and 842 566 4692",
             "Work: 579-499-7527", "$1000",
             "Home: 543.355.3679")
phone <- "([2-9][0-9]{2})[- .]([0-9]{3})[- .]([0-9]{4})"

Извлечение и объединение наших групп:

str_extract_all(strings, phone, simplify=T)
#      [,1]           [,2]          
# [1,] "219 733 8965" ""            
# [2,] "329-293-8753" ""            
# [3,] ""             ""            
# [4,] "239 923 8115" "842 566 4692"
# [5,] "579-499-7527" ""            
# [6,] ""             ""            
# [7,] "543.355.3679" ""   

Обозначение групп с помощью выходной матрицы (нас интересуют столбцы 2+):

str_match_all(strings, phone)
# [[1]]
#      [,1]           [,2]  [,3]  [,4]  
# [1,] "219 733 8965" "219" "733" "8965"
# 
# [[2]]
#      [,1]           [,2]  [,3]  [,4]  
# [1,] "329-293-8753" "329" "293" "8753"
# 
# [[3]]
#      [,1] [,2] [,3] [,4]
# 
# [[4]]
#      [,1]           [,2]  [,3]  [,4]  
# [1,] "239 923 8115" "239" "923" "8115"
# [2,] "842 566 4692" "842" "566" "4692"
# 
# [[5]]
#      [,1]           [,2]  [,3]  [,4]  
# [1,] "579-499-7527" "579" "499" "7527"
# 
# [[6]]
#      [,1] [,2] [,3] [,4]
# 
# [[7]]
#      [,1]           [,2]  [,3]  [,4]  
# [1,] "543.355.3679" "543" "355" "3679"

что насчет 842 566 4692
Ferroao

Спасибо, что заметили упущение. Исправлено с использованием _allсуффикса для соответствующих stringrфункций.
Megatron

0

Это можно сделать с помощью пакета unglue , взяв пример из выбранного ответа:

# install.packages("unglue")
library(unglue)

s <- c("(sometext :: 0.1231313213)", "(moretext :: 0.111222)")
unglue_data(s, "({x} :: {y})")
#>          x            y
#> 1 sometext 0.1231313213
#> 2 moretext     0.111222

Или начиная с фрейма данных

df <- data.frame(col = s)
unglue_unnest(df, col, "({x} :: {y})",remove = FALSE)
#>                          col        x            y
#> 1 (sometext :: 0.1231313213) sometext 0.1231313213
#> 2     (moretext :: 0.111222) moretext     0.111222

вы можете получить необработанное регулярное выражение из шаблона Unglue, необязательно с именованным захватом:

unglue_regex("({x} :: {y})")
#>             ({x} :: {y}) 
#> "^\\((.*?) :: (.*?)\\)$"

unglue_regex("({x} :: {y})",named_capture = TRUE)
#>                     ({x} :: {y}) 
#> "^\\((?<x>.*?) :: (?<y>.*?)\\)$"

Подробнее: https://github.com/moodymudskipper/unglue/blob/master/README.md

Используя наш сайт, вы подтверждаете, что прочитали и поняли нашу Политику в отношении файлов cookie и Политику конфиденциальности.
Licensed under cc by-sa 3.0 with attribution required.