R中的正则表达式和子字符串

Question

我正在尝试清理数据并将其更改为特定格式。

所有数据应具有以下格式：2 位数字、3 个字母 (MKT)、4 位数字、1 个下划线和 1 位数字（例如 66MKT1234_1）

假设我有以下数据：

V <- c("66MKT030_2", "66MGT1220_2", "66MGT063_1", "66MKT350_2","22233366698","66MKT3500_2", "9999999")

要更正的内容： a) 向量的第 1、第 3 和第 4 个元素在 3 个字母 (MTG) 之后只有 3 个数字。在这种情况下，我需要在最后一个字母后添加一个 0 数字 b) 第 2 和第 3 个元素需要从“MGT”到“MTG”正确 c) 需要删除第 5 和第 7 个元素。

我的方法是：

第 1 步 - 删除与格式不匹配的数据（2 个数字，3 个字母 (MKT)，4 个数字，1 个下划线和 1 个数字）

aa <- grepl("\\d{2}\\w{3}\\d{3,4}[:punct:]\\d{1}", V)
V2 <- V[aa]

第 2 步 - 使用 gsub 将“MGT”更正为“MTG”

第 3 步 - 如果数字长度为 3，则想办法在字母后添加数字 0（例如，第一个元素应从 66MKT030_2 更改为 66MKT0030_2）

我被困在第 1 步，因为我的代码无法从向量中清除第 5 个（“22233366698”）和第 7 个（“9999999”）元素。

你能帮我看看如何以一种更好的方式做到这一点吗？

谢谢

Answer 1

你可以使用

sub("^(\\d{2}[[:alpha:]]{3})(\\d{3}\\D)", "\\10\\2", sub("MGT", "MTG", grep("^\\d+$", V, value=TRUE, invert=TRUE), fixed=TRUE))

在单独的步骤中：

V <- grep("^\\d+$", V, value=TRUE, invert=TRUE)
V <- sub("MGT", "MTG", V, fixed=TRUE)
sub("^(\\d{2}[[:alpha:]]{3})(\\d{3}\\D)", "\\10\\2", V)

输出：

[1] "66MKT0030_2" "66MTG1220_2" "66MTG0063_1" "66MKT0350_2" "66MKT3500_2"

详情

• grep("^\\d+$", V, value=TRUE, invert=TRUE) - 过滤掉所有仅包含数字的项目（invert=TRUE 反转 ^\d+$ 正则表达式的结果）
• sub("MGT", "MTG", V, fixed=TRUE) - 将 MGT 替换为 MTG（fixed=TRUE 在不涉及正则表达式引擎的情况下对文字字符串进行此替换，这通常会加快处理速度）
• sub("^(\\d{2}[[:alpha:]]{3})(\\d{3}\\D)", "\\10\\2", V) - 在仅由三位数字组成的第三个字段之前添加 0。

第三步正则表达式详解：

• ^ - 字符串开头
• (\d{2}[[:alpha:]]{3}) - 第 1 组：两位数 (\d{2})，三个字母 ([[:alpha:]]{3})
• (\d{3}\D) - 第 2 组：三个数字 (\d{3}) 和一个非数字 (\D)
• \10\2 - 第 1 组，0，第 2 组值。