如何删除r中文本字符串末尾中间的文本和符号？

Question

我有几个文本字符串，在国家名称的末尾是[4]或[8]或[3] I.E.数字1-20

ex1：保加利亚[6]

我如何删除[6]并且只有保加利亚？

ex2：100 Haddon Ave，Westmont，NJ

如何删除逗号之后的所有信息才能获得100 Haddon Ave？

Answer 1

您正在寻找的是正则表达式，在R中实现，具有gsub或我首选的stringr包等功能。您提供的图案与您要保留的文本相匹配，至少与str_extract相符。这里，第一个模式是".*(?=\\[\\d\\])"，这意味着在.*，数字和[（]）之前取任何字符（?=\\[\\d\\])）。您需要使用\来逃避某些特殊字符。第二个是类似的，说采取在,之前的字符。在?之后还有一个额外的.*，因为这可以找到最短的匹配，否则你会得到100 Haddon Ave, Westmont而不仅仅是100 Haddon Ave。您可以选择匹配您不想保留的东西，并使用str_replace将其替换为""。这可以让你避免使用有时候很繁琐的外观（(?=)部分）。

我建议更深入地研究正则表达式，包括lookarounds。尝试用于数据科学的R的strings chapter或RStudio字符串cheatsheet。

library(stringr)
str_extract("Bulgaria[6]", ".*(?=\\[\\d\\])")
#> [1] "Bulgaria"
str_extract("100 Haddon Ave, Westmont, NJ", ".*?(?=,)")
#> [1] "100 Haddon Ave"
# Alternatively, avoid having to use lookarounds:
str_replace("Bulgaria[6]", "\\[\\d\\]", "")
#> [1] "Bulgaria"
str_replace("100 Haddon Ave, Westmont, NJ", ",.*$", "")
#> [1] "100 Haddon Ave"

由reprex package创建于2018-03-06（v0.2.0）。

Answer 2

我们可以使用sub的base R

sub("\\[\\d+\\]$", "", 'some words[6]')
#[1] "some words"

sub(",.*", "", "100 Haddon Ave, Westmont, NJ")
#[1] "100 Haddon Ave"