如何使用正则表达式从 R 中的模式中提取字符串答案

【问题标题】：How to use regular expressions to extract a string from a pattern in R如何使用正则表达式从 R 中的模式中提取字符串
【发布时间】：2018-10-17 19:56:16
【问题描述】：

在 R 中，我想从字符的模式中提取子字符串向量。我的字符向量 x 的前几个条目（总共 400 个）如下所示：

x <- c(
  ">104K_THEPA | FPrate:0.000 | OMEGA:D-904",
  ">2MMP_ARATH | FPrate:0.006 | OMEGA:S-349",
  ">5MMP_ARATH | FPrate:0.018 | OMEGA:S-337",
  ">5NTD_DIPOM | FPrate:0.026 | OMEGA:S-552",
  ">5NTD_HUMAN | FPrate:0.154 | OMEGA:S-549",
  ">5NTD_MOUSE | FPrate:1.000 | OMEGA:S-551"
)

我想提取FPrate: 后面的 4 位数字，最后还要提取 OMEGA: 后面的字母和最后 3 位数字。我是使用正则表达式的新手，我花了几个小时来解决这个问题并在网上搜索解决方案，但没有运气。

期望的输出是：

[1] "0.000"  
[2] "0.006"  
[3] "0.018"  
[4] "0.026"  
[5] "0.154"  
[6] "1.000"

到目前为止，我已经想出了这行代码：

gsub("^[^(FPrate:)]*(FPrate:)|(\\s\\|\\sOMEGA:)[^(\\s\\|\\sOMEGA:)]*$", "", x)

这适用于我的一些条目，但不是全部。

实现这一目标的最佳方法是什么？

【问题讨论】：

您能给我们举一个期望输出的例子吗？
我已将所需的输出添加到帖子中。

标签： r regex

【解决方案1】：

使用stringr 中的str_match 函数仅提取匹配的特定部分（匹配组）将使您的问题变得更容易：

stringr::str_match(vec, 'FPrate:([^ ]*).*OMEGA:([^ ]*)')[,c(2,3)]
     [,1]    [,2]   
[1,] "0.000" "D-904"
[2,] "0.006" "S-349"
[3,] "0.018" "S-337"
[4,] "0.026" "S-552"
[5,] "0.154" "S-549"
[6,] "1.000" "S-551"

str_match 匹配正则表达式并返回一个数据框：第一列是整个匹配项，而接下来的每一列是正则表达式中括号的内容，按顺序排列。因此，通过获取第 2 列和第 3 列，我们只得到 'FPrate:' 和 'OMEGA:' 之后的非空白序列。

您可以根据需要添加任意数量的捕获组。例如，如果要将OMEGA 拆分为字母和数字，只需使用更多组：

stringr::str_match(vec, 'FPrate:([^ ]*).*OMEGA:([[:alnum:]])-(\\d*)')[,c(2:4)]
     [,1]    [,2] [,3] 
[1,] "0.000" "D"  "904"
[2,] "0.006" "S"  "349"
[3,] "0.018" "S"  "337"
[4,] "0.026" "S"  "552"
[5,] "0.154" "S"  "549"
[6,] "1.000" "S"  "551"

【讨论】：

谢谢！效果很好。我使用str_match(x, 'FPrate:([^ ]*).*OMEGA:([^ ])') 只得到OMEGA: 和str_match(x, 'FPrate:([^ ]*).*OMEGA:.-([^ ]*)') 之后的字母，只得到最后3 位数字。有没有办法同时做到这一点（字母与最后 3 位数字分开）？
好的，把它分成多个捕获组

【解决方案2】：

这使用了 stringr 对您进行掩码的无拐杖 stringi 操作以及可读/记录的正则表达式：

library(stringi)
library(tidyverse)

您的数据：

c(
  ">104K_THEPA | FPrate:0.000 | OMEGA:D-904",
  ">2MMP_ARATH | FPrate:0.006 | OMEGA:S-349",
  ">5MMP_ARATH | FPrate:0.018 | OMEGA:S-337",
  ">5NTD_DIPOM | FPrate:0.026 | OMEGA:S-552",
  ">5NTD_HUMAN | FPrate:0.154 | OMEGA:S-549",
  ">5NTD_MOUSE | FPrate:1.000 | OMEGA:S-551"
) -> xdat

提取：

stri_match_first_regex(
  xdat,
  "
  FPrate:([[:digit:]]\\.[[:digit:]]+) # this grabs the FPrate amount
  .*                                  # this skips a bit generically just in case it ever differs
  OMEGA:([[:alnum:]]-[[:digit:]]+)    # this grabs the OMEGA info
  ",
  opts_regex = stri_opts_regex(comments = TRUE)
)[,2:3] %>% 
  as_data_frame() %>% 
  mutate(V1 = as.numeric(V1), V2 = stri_replace_first_fixed(V2, "-", ""))
## # A tibble: 6 x 2
##      V1 V2   
##   <dbl> <chr>
## 1 0     D904 
## 2 0.006 S349 
## 3 0.018 S337 
## 4 0.026 S552 
## 5 0.154 S549 
## 6 1     S551

另外：对问题中的正则表达式进行很好的尝试。正则表达式并不漂亮，而且在您使用一段时间之前通常没有多大意义。

【讨论】：

【解决方案3】：

基础 R

以下是一些基本的 R 解决方案：

1) 如果您只需要 FPrate 字段（这就是问题似乎要求的全部），那么这个 sub 就可以了。不需要任何软件包。

as.numeric(sub(".*FPrate:(\\S+) .*", "\\1", x))
## [1] 0.000 0.006 0.018 0.026 0.154 1.000

2) 如果你想解析出所有的 name:value 字段，那么，再一次，只使用 base R 用换行符替换前导非空格，然后替换每次出现的空格字符空格也有换行符。它现在是 dcf 格式，所以使用 read.dcf 读取它，给出字符矩阵m。这可能已经足够好了，但是如果您想要一个数据框，其中每一列都进行了适当的类型转换，那么将其转换为数据框d 并应用type.convert。此解决方案非常通用，因为它不会对 FPrate 和 OMEGA 进行硬编码。

s <- gsub(" . ", "\n", sub("\\S+", "\n", x))
m <- read.dcf(textConnection(s))
d <- as.data.frame(m, stringsAsFactors = FALSE)
d[] <- lapply(d, type.convert)

给予：

> m
     FPrate  OMEGA  
[1,] "0.000" "D-904"
[2,] "0.006" "S-349"
[3,] "0.018" "S-337"
[4,] "0.026" "S-552"
[5,] "0.154" "S-549"
[6,] "1.000" "S-551"

> d
  FPrate OMEGA
1  0.000 D-904
2  0.006 S-349
3  0.018 S-337
4  0.026 S-552
5  0.154 S-549
6  1.000 S-551

3) 这个使用strcapture，生成一个数据框，根据proto进行类型转换：

proto <- data.frame(FPrate = numeric(0), OMEGA = character(0))
strcapture(".*FPrate:(\\S+) . OMEGA:(\\S+)", x, proto)

给予：

  FPrate OMEGA
1  0.000 D-904
2  0.006 S-349
3  0.018 S-337
4  0.026 S-552
5  0.154 S-549
6  1.000 S-551

4) 在这一节中，我们用空格替换冒号，读入 read.table 剩下的内容，提取我们想要的列，然后设置列名。没有使用正则表达式。

d <- read.table(text = chartr(":", " ", x), as.is = TRUE)[c(4, 7)]
names(d) <- c("FPrate", "OMEGA")

给出这个数据框：

  FPrate OMEGA
1  0.000 D-904
2  0.006 S-349
3  0.018 S-337
4  0.026 S-552
5  0.154 S-549
6  1.000 S-551

gsubfn

5) 此解决方案使用 gsubfn 包。

library(gsubfn)

pat <- ".*FPrate:(\\S+).*OMEGA:(\\S+)"
nms <- c("FPrate", "OMEGA")
read.pattern(text = x, pattern = pat, as.is = TRUE, col.names = nms)

给予：

  FPrate OMEGA
1  0.000 D-904
2  0.006 S-349
3  0.018 S-337
4  0.026 S-552
5  0.154 S-549
6  1.000 S-551

【讨论】：

【解决方案4】：

使用纯 r-base 的解决方案

xx            <- strsplit(x, " \\| ")
first.numbers <- sapply(xx, function(x) gsub("FPrate:", "", x[2]))
letters       <- sapply(xx, function(x) gsub("OMEGA:(.?)-\\d+", "\\1", x[[3]]))
last.digits   <- sapply(xx, function(x) gsub("OMEGA:.?-(\\d+)", "\\1", x[[3]]))

说明

如果你想坚持使用 r-base，我意识到 gsub 在 R 中非常通用。你甚至可以用它捕获组。

在这个例子中，为了简单起见，我先用“|”strsplit事物：

xx <- strsplit(x, " \\| ", perl=TRUE)

如果你现在看xx：

> xx
[[1]]
[1] ">104K_THEPA"  "FPrate:0.000" "OMEGA:D-904" 

[[2]]
[1] ">2MMP_ARATH"  "FPrate:0.006" "OMEGA:S-349" 

[[3]]
[1] ">5MMP_ARATH"  "FPrate:0.018" "OMEGA:S-337" 

[[4]]
[1] ">5NTD_DIPOM"  "FPrate:0.026" "OMEGA:S-552" 

[[5]]
[1] ">5NTD_HUMAN"  "FPrate:0.154" "OMEGA:S-549" 

[[6]]
[1] ">5NTD_MOUSE"  "FPrate:1.000" "OMEGA:S-551"

因此您可以只选择第二个或第三个元素，并使用sapply 在列表中传播（在这种情况下相当于unlist(lapply(...))，并在最后返回一个向量。

要捕获第一个数字，我会这样做：

first.numbers <- sapply(xx, function(x) gsub("FPrate:", "", x[2]))
first.numbers
## [1] "0.000" "0.006" "0.018" "0.026" "0.154" "1.000"

在这里，我刚刚删除了“FPrate:”。我也可以通过分组来捕捉数字。我会在接下来的捕获中这样做：

letters <- sapply(xx, function(x) gsub("OMEGA:(.?)-\\d+", "\\1", x[[3]]))
letters
## [1] "D" "S" "S" "S" "S" "S"

注意，这里我用"OMEGA:(.?)-\\d+" 匹配第三个元素的整个表达式，但是用分组() 只捕获一个位置（零或一个，但由于贪心，它会占用一个位置）。有趣的是我给出的替换整个表达式的内容："\\1" - 这是为第一组捕获的内容。因此在gsub 中，您可以使用对组\\1、\\2 等的引用，具体取决于您添加的分组数量。

所以我们可以捕捉到最后的数字：

last.digits <- sapply(xx, function(x) gsub("OMEGA:.?-(\\d+)", "\\1", x[[3]]))
last.digits
## [1] "904" "349" "337" "552" "549" "551"

gsub()毕竟还不错，不是吗？

【讨论】：