Przechwytywanie grup regex w języku R z wieloma grupami przechwytywania

95

Czy w języku R można wyodrębnić przechwytywanie grupy z dopasowania wyrażenia regularnego? O ile mi wiadomo, żaden z grep, grepl, regexpr, gregexpr, sub, lub gsubzwrócić przechwytuje grupowych.

Muszę wyodrębnić pary klucz-wartość z ciągów, które są zakodowane w ten sposób:

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

Zawsze mogę po prostu wykonać wiele pełnych dopasowań greps lub wykonać pewne przetwarzanie zewnętrzne (inne niż R), ale miałem nadzieję, że mogę to wszystko zrobić w R. Czy istnieje funkcja lub pakiet, który zapewnia taką funkcję, aby to zrobić?

Daniel Dickison
źródło

Odpowiedzi:

119

str_match(), z stringrpakietu, zrobi to. Zwraca macierz znaków z jedną kolumną dla każdej grupy w dopasowaniu (i jedną dla całego dopasowania):

> 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"    
Kent Johnson
źródło
1
i str_match_all()aby dopasować wszystkie grupy w wyrażeniu regularnym
smci
Jak mogę po prostu wydrukować tylko przechwycone grupy dla [, 1]?
nenur
Nie jesteś pewny, czego szukasz. Przechwycone grupy to kolumny 2 i 3. [,1]to pełne dopasowanie. [,2:3]to przechwycone grupy.
Kent Johnson,
52

gsub robi to, z twojego przykładu:

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

musisz dwukrotnie zmienić znak \ s w cudzysłowach, a następnie działają one z wyrażeniem regularnym.

Mam nadzieję że to pomoże.

David Lawrence Miller
źródło
Właściwie to muszę wyciągnąć przechwycone podciągi, aby umieścić je w data.frame. Ale patrząc na twoją odpowiedź, myślę, że mógłbym połączyć gsub i kilka strsplitów, aby uzyskać to, czego chcę, może: strsplit (strsplit (gsub (regex, "\\ 1 :: \\ 2 ::::", str ), „::::”) [[1]], „::”)
Daniel Dickison,
9
Świetny. Strona gsubpodręcznika R bardzo potrzebuje przykładu pokazującego, że potrzebujesz '\\ 1', aby uniknąć odniesienia do grupy przechwytywania.
smci
35

Spróbuj regmatches()i regexec():

regmatches("(sometext :: 0.1231313213)",regexec("\\((.*?) :: (0\\.[0-9]+)\\)","(sometext :: 0.1231313213)"))
[[1]]
[1] "(sometext :: 0.1231313213)" "sometext"                   "0.1231313213"
jeales
źródło
4
Dzięki za rozwiązanie waniliowe R i za wskazanie, regmatchesczego nigdy wcześniej nie widziałem
Andy
Dlaczego miałbyś napisać ciąg dwa razy?
Stefano Borini
1
@StefanoBorini regexeczwraca listę zawierającą informacje dotyczące tylko lokalizacji dopasowań, dlatego regmatcheswymaga od użytkownika podania ciągu, do którego należała lista dopasowań.
RTbecard
19

gsub () może to zrobić i zwrócić tylko grupę przechwytywania:

Jednak aby to zadziałało, musisz jawnie wybrać elementy spoza grupy przechwytywania, jak wspomniano w pomocy gsub ().

(...) elementy wektorów znakowych „x”, które nie zostaną podstawione, zostaną zwrócone bez zmian.

Jeśli więc tekst, który ma zostać zaznaczony, znajduje się w środku jakiegoś ciągu, dodanie. * Przed i po grupie przechwytywania powinno pozwolić tylko na jego zwrócenie.

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

kasjerzy
źródło
4

Lubię wyrażenia regularne zgodne z Perlem. Prawdopodobnie ktoś inny też ...

Oto funkcja, która obsługuje wyrażenia regularne zgodne z Perlem i dopasowuje funkcjonalność funkcji w innych językach, do których jestem przyzwyczajony:

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
}
ruffbytes
źródło
3

W ten sposób udało mi się rozwiązać ten problem. Użyłem dwóch oddzielnych wyrażeń regularnych, aby dopasować pierwszą i drugą grupę przechwytywania i uruchomiłem dwa gregexprwywołania, a następnie wyciągnąłem dopasowane podciągi:

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"))
Daniel Dickison
źródło
+1 za działający kod. Wolałbym jednak uruchomić szybką komendę z R i użyć tak jednowierszowego Bashexpr "xyx0.0023xyxy" : '[^0-9]*\([.0-9]\+\)'
Aleksandr Levchuk
3

Rozwiązanie z strcaptureod 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
Artem Klevtsov
źródło
2

Jak zasugerowano w stringrpakiecie, można to osiągnąć za pomocą str_match()lub str_extract().

Na podstawie instrukcji:

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})"

Wyodrębnianie i łączenie naszych grup:

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" ""   

Wskazanie grup z macierzą wyjściową (interesują nas kolumny 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"
Megatron
źródło
a co z
842566
Dzięki za złapanie pominięcia. Poprawiono za pomocą _allprzyrostka dla odpowiednich stringrfunkcji.
Megatron,
0

Można to zrobić za pomocą odklejenia pakietu , biorąc przykład z wybranej odpowiedzi:

# 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

Lub zaczynając od ramki danych

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

możesz pobrać surowe wyrażenie regularne ze wzoru unglue, opcjonalnie z nazwanym przechwytywaniem:

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

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

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

Moody_Mudskipper
źródło