R 正则表达式（靠近单词）答案

【问题标题】：R regular expression (near words)R 正则表达式（靠近单词）
【发布时间】：2012-11-21 19:15:27
【问题描述】：

我想知道如何使用正则表达式选择 彼此靠近的单词。例如，我想从以下短语中选择数字和单词英里：

"140,000 mostly freeway miles" 
"173k commuter miles. "       
"154K(all highway) miles

中间选词不知道怎么填：

[0-9]+ ???? miles

*near 可以定义为相隔 1-3 个单词。感谢您指出了这一点。

【问题讨论】：

什么是“附近”？你想限制它们之间的字符或单词的数量吗？或者他们可以任意相距很远？
near 可能相隔 1-3 个字
您的正则表达式使用什么语言？ ...当你知道它会一直存在时，为什么还要选择“英里”这个词？
@Lorax R 是一种语言 ;)
@m.buettner - 哦！我的错，我错过了。那会教我下次不要这么快浏览问题标题:-)

标签： regex r

【解决方案1】：

这是R 中的答案。其他答案可以进行一些修改。大多数情况下，它们需要“双重转义”，并且您必须使用配对函数 regexpr 和 regmatches。

x=c("140,000 mostly freeway miles" ,"173k commuter miles. " ,"154K(all highway) miles")


gsub('([[:digit:][:punct:]k]+).*(miles).*', 
     '\\1 \\2', 
     x,
     ignore.case=TRUE)

# [1] "140,000 miles" "173k miles"    "154 miles"

这表示组号标点符号或第 1 组中的 k。在此之后任何内容。然后是第 2 组，即英里这个词，然后是其他任何内容。

您也可以使用“正常”的正则表达式语法：

gsub('([0-9,k]+).*(miles).*', 
     '\\1 \\2', 
     x,
     ignore.case=TRUE)

但是，我会先清理数据，然后再进行一些更简单的匹配！（例如tolower 并删除标点符号）。

【讨论】：

这遗漏了中间必须有 1 到 3 个单词的观点。随意复制我的正则表达式并使其适用于 R，然后我将删除我的答案。
我会在帖子底部留下我的笔记。如果miles 超过 3 个单词时不应该包含在内，那么正则表达式就变得太复杂了！

【解决方案2】：

关于问题域有许多未解决的问题。除此之外，让我们使用以下数据，其中包含问题中提供的样本数据用于正匹配，以及一些附加样本数据用于负匹配（我使用的是R version 2.14.1 (2011-12-22)）：

x <- c("140,000 mostly freeway miles", "173k commuter miles. ", "154K(all highway) miles", "1,24 almost but not mostly freeway miles", "1,2,3,4K MILES")

1,2,3,4K MILES 被添加为否定匹配，因为问题将 near 定义为 1-3 words apart，并且它的“邻近词”为零。

如果我们使用以下...

sub('[\\d,]+k?\\s+(([^\\s]+\\s+){1,3})miles', '\\1', x, ignore.case = TRUE, perl = TRUE)

...我们得到：

[1] "mostly freeway "
[2] "commuter . "
[3] "154K(all highway) miles"
[4] "1,24 almost but not mostly freeway miles"
[5] "1,2,3,4K MILES"

可能不是你想要的结果。由于数据未标准化，因此您必须使用会变得非常复杂的正则表达式模式。正如Justin 在他的answer、clean up the data first then do some simpler matching 中所建议的那样。

您可以将数据标准化如下：

y <- gsub('\\pP+', ' ', x, perl = TRUE)
y <- gsub('\\s+', ' ', y, perl = TRUE)
y <- gsub('^\\s+|\\s+$', '', y, perl = TRUE)
y <- gsub('(\\d)\\s(?=\\d)', '\\1\\2', y, perl = TRUE)

有关详细信息，请参阅下面的参考资料。这基本上是删除标点符号并确保单词由一个空格分隔。这将为您留下y of：

[1] "140000 mostly freeway miles"
[2] "173k commuter miles"
[3] "154K all highway miles"
[4] "124 almost but not mostly freeway miles"
[5] "1234K MILES"

现在删除与您要查找的内容不匹配的行：

y <- sub('^(?!\\d+k?\\s((?!miles)[^\\s]+\\s){1,3}miles).*$', '', y, ignore.case = TRUE, perl = TRUE)
y
[1] "140000 mostly freeway miles" "173k commuter miles"
[3] "154K all highway miles"      ""
[5] ""

最后，得到“近词”：

y <- sub('^\\d+k?\\s((?!miles)[^\\s]+(\\s(?!miles)[^\\s]+){0,2})\\smiles', '\\1', y, ignore.case = TRUE, perl = TRUE)
y
[1] "mostly freeway" "commuter"       "all highway"    ""
[5] ""

可能有更简单的方法来规范化数据，但这为您提供了一些正则表达式示例。

有关详细信息，请参阅：

R grep 命令。
优秀的Regular-Expressions.info 网站。
pcrepattern manual page 了解有关 Perl 正则表达式模式的更多信息。

【讨论】：

【解决方案3】：

使用这个正则表达式\d+([.,]\d+)?(?=.*?miles)

【讨论】：

你会怎么写R？
@Justin 我猜如果您使用类似 Perl 的正则表达式，它应该可以立即工作。
第一个括号放错了位置。使用gsub("\\d+([.,]\\d+)?(?=.*?miles)", "\\1 \\2", x, perl=TRUE)，得到",000 mostly freeway miles" " k commuter miles. " 。您确实需要在 R 的正则表达式模式中双重转义反斜杠。

【解决方案4】：

这仍然有点模糊，但是假设我们将所有内容定义为以空格分隔的“单词”。因此，如果可能有 1-3 个单词，则数字和 miles 之间需要有 2-4 个空格（实际上我会让第一个可选，看你的最后一个例子）：

\d[\d,.]*k?\s*(\S+\s+){1,3}miles

请注意，您应该使此正则表达式不区分大小写，以匹配 k 和 K。

还要注意，数字部分当然可以改进。这将只取第一个数字，然后包含尽可能多的数字、逗号和句点，无论这是否构成有效的数字格式。

【讨论】：