如何在R中使用正则表达式查找句子中的第一个空格

Question

我有一个data.frame，其中包含一个列如下的值：

[2] wererea 187w 50HH (1)
[3] werewefrea 145y 50HH (4)
[5] weredssda 100NH (2)

我想将此列分成两列，分离应在第一个空格处完成。我现在如何在]的帮助下这样做：

DF <- separate(DF , "X", into = c("X","Y"), sep = "\\] ", remove = TRUE)
DF$X<- gsub("\\[", "", DF$X)

选择最后一个空格的方法如下：

DF <- separate(DF, "X", into = c("X","Y"), sep = " (?=[^ ]*$)", remove = TRUE)

我找到了这个RegEx：

^([^ ]*) 

但是这将选择第一个空间和之前的一切。但是你如何只选择第一个空间呢？

Answer 1

假设第一个非空白块不是太大的值，您可以利用ICU约束宽度lookbehind（即在某种程度上允许{n,m}量词）。比如说，如果字符串start处的空格字符数达到1000，这将有效：

separate(DF, "X", into = c("X","Y"), sep = "(?<=^\\S{0,1000})\\s+", remove = TRUE)

(?<=^\\S{0,1000})\\s+模式将匹配1个空格，前面是字符串的开头，后跟0到1000个非空白字符。

否则，你可以使用tidyr::extract：

library(tidyr)
DF %>%
    extract(col="X", into = c("X","Y"), regex="^(\\S+)\\s+(.*)")

如果你想避开一个数字周围的第一个[...]，使用一个小的变化：

extract(col="X", into = c("X","Y"), regex="^\\[(\\d+)]\\s+(.*)")

^(\\S+)\\s+(.*)正则表达式匹配

• ^ - 字符串的开头
• (\\S+) - 捕获组1：一个或多个非空白字符（它将是into列表中的第一列值）（在另一种模式中，(\\d+)将捕获1个或多个数字）
• \\s+ - 1+空格
• (.*) - 捕获第2组：任何一个或多个字符（它将是来自into列表的第二列值）。

Answer 2

这是另一种变化。它将数字拉出列，然后在第一列中删除它。这里的一个优点是拉出的数字是类数字（你总是可以用其他方法从字符转换）。

library(tidyverse)

df %>% 
  mutate(Y = parse_number(X),
         X = gsub("\\[.*\\]", "", X))
#>                           X Y
#> 1     wererea 187w 50HH (1) 2
#> 2  werewefrea 145y 50HH (4) 3
#> 3       weredssda 100NH (2) 5

由reprex package创建于2018-09-20（v0.2.0）。

Answer 3

关于所需的确切输出的问题并不具体，因此假设输出应该是两列X和Y，使得第一列是数字行号，第二列是将行与行分隔开的空格后面的文本数。在这种情况下，如果之后删除了垃圾，separate使用的默认正则表达式应该没问题：

library(dplyr)
library(tidyr)

DF %>%
  separate(X, into = c("junk", "X", "Y"), 
    extra = "merge", convert = TRUE, remove = TRUE) %>%
  select(-junk)

赠送：

  X                        Y
1 2    wererea 187w 50HH (1)
2 3 werewefrea 145y 50HH (4)
3 5      weredssda 100NH (2)

替代

之后删除垃圾的另一种方法是删除[之前：

DF %>%
  mutate(X = sub(".", "", X)) %>%
  separate(X, into = c("X", "Y"), 
     extra = "merge", convert = TRUE, remove = TRUE)
##   X                        Y
## 1 2    wererea 187w 50HH (1)
## 2 3 werewefrea 145y 50HH (4)
## 3 5      weredssda 100NH (2)

注1

请注意，在tidyr中有一个open issue #397，如果实现它会将上面的内容减少到以下代码。 （更新：tidyr 0.8.2现在实现此功能）

DF %>%
  separate(X, into = c(NA, "X", "Y"), 
    extra = "merge", convert = TRUE, remove = TRUE)

笔记2

可重复输入的输入：

DF <-
structure(list(X = c("[2] wererea 187w 50HH (1)", "[3] werewefrea 145y 50HH (4)", 
"[5] weredssda 100NH (2)")), class = "data.frame", row.names = c(NA, 
-3L))