提取非标准字符串的正则表达式

Question

我的问题与使用 If-Then-Else 条件和 str_extract 的正则表达式中的前瞻和后视构造有关。

我在下表中有一个名为 UNIT 的字符串，需要将其分解为 3 个组成部分。格式是非标准的，我使用 regex 和 str_extract 为每个组件创建新列。

我可以很容易地提取字符串的开头（3A、3C 等）和结尾（E、A），但中间部分有点困难。它可以是 1-3 位数字，也可以是 SK、SD 或 HH 的两个字符代码。我可以单独使用下面的代码，但后一行会覆盖前一行。

那么，我的问题是，如何将正则表达式中的 If-Then-Else 条件 (?(?=regex)then|else) 与 str_extract 结合使用以从 df1 获取 df2？

df1$C2 = str_extract(df1$UNIT,"(?<=[:upper:])\\d*(?<![:upper:])")

df1$C2 = str_extract(df1$UNIT, "S.$")


df1
ID  UNIT
1   3ASD
2   3C14E
3   3D5E
4   3E15E
5   3ESK
6   3B14A
7   3BHHQ2
8   3E101

df2
ID  UNIT    C1  C2  C3
1   3ASD    3A  SD  NA
2   3C14E   3C  14  E
3   3D5E    3D  5   E
4   3E15E   3E  15  E
5   3ESK    3E  SK  NA
6   3B14A   3B  14  A
7   3BHHQ2  3B  HH  Q2
8   3E101   3E  101 NA

Answer 1

我认为您可以在单个正则表达式中“编码”条件，用捕获组包装单独的值，然后使用 str_match 实际访问这些捕获，以便以后使用它们来创建列：

library(stringr)
df <- data.frame(ID=c(1,2,3,4,5,6,7,8), UNIT=c("3ASD","3C14E","3D5E","3E15E","3ESK","3B14A","3BHHQ2","3E101"))
rx = "^([0-9][[:upper:]])([0-9]{1,3}|S[KD]|HH)([[:upper:]][0-9]*)?$"
match_table <- str_match(df$UNIT, rx)
df$C1 <- match_table[,2]
df$C2 <- match_table[,3]
df$C3 <- match_table[,4]
> df
  ID   UNIT C1  C2   C3
1  1   3ASD 3A  SD <NA>
2  2  3C14E 3C  14    E
3  3   3D5E 3D   5    E
4  4  3E15E 3E  15    E
5  5   3ESK 3E  SK <NA>
6  6  3B14A 3B  14    A
7  7 3BHHQ2 3B  HH   Q2
8  8  3E101 3E 101 <NA>

请参阅regex demo。

详情

• ^ - 字符串开头
• ([0-9][[:upper:]]) - 组 C1：一个数字，然后是一个大写字母
• ([0-9]{1,3}|S[KD]|HH) - 组 C2：1、2 或 3 位数字，或 SK、SD 或 HH
• ([[:upper:]][0-9]*)? - 可选组 C3：大写字母后跟 0+ 个数字
• $ - 字符串结束，

Answer 2

你可以读入表格：

 cbind(df1,read.table(text=sub("(..)(\\d+|SK|SD|HH)(.*)","\\1 \\2 \\3",df1$UNIT),fill=T,h=F,col.names = c("C1","C2","C3"),na.strings = ""))
  ID   UNIT C1  C2   C3
1  1   3ASD 3A  SD <NA>
2  2  3C14E 3C  14    E
3  3   3D5E 3D   5    E
4  4  3E15E 3E  15    E
5  5   3ESK 3E  SK <NA>
6  6  3B14A 3B  14    A
7  7 3BHHQ2 3B  HH   Q2
8  8  3E101 3E 101 <NA>

Answer 3

Problem solved using the following code:

        df2$C1=  str_extract(df1$Unit, "^[:digit:][:upper:]")
    #if the start of the string is a digit and upper case letter then extract it into col C1

        df2$C2= str_extract(df1$Unit,"(?<=[:upper:])\\d*(?<![:upper:])|(?<=[:upper:])[[:upper:]][[:upper:]](?<=[:upper:])")
    #if a digit follows an uppercase letter or is behind another uppercase letter then extract all digits in between and extract it into C2
    #OR if two uppercase letters follow an uppercase letter or come before another uppercase letter then extract all letters in between and extract it into C2

        df2$C3=  str_extract(df1$Unit, "(?<=[:digit:])[A-E]$|Q.$")
    #if a the last a letter is A-E and is preceded by a digit then extract the letter into C3
    #OR if the last character is preceded by the letter Q then extract Q and the character