如何从 R 中的字符串中提取数字？

Question

names(score)
 [1] "(Intercept)"              "aado2_calc(20,180]"       "aado2_calc(360,460]"     
 [4] "aado2_calc(460,629]"      "albumin[1,1.8]"           "albumin(1.8,2.2]"        
 [7] "albumin(2.2,2.8]"         "aniongap(15,18]"          "aniongap(18,20]"         
[10] "aniongap(20,22]"          "aniongap(22,25]"          "aniongap(25,49]"    

我想提取括号内的两个数字（括号外的数字不需要）并且有“（”或“[”。第一个数字将分配给对象“low”，第二个数字将分配给“high” ”。

Answer 1

您可以使用readr 包和函数parse_number 以方便使用。要获得更多功能，您需要使用 r 中的基本正则表达式函数，或者像 stringi 这样的包。

Answer 2

就像@jake-kaupp 说的那样——使用stringi :) 正如你所看到的，stringi 解决方案更短、更容易理解并且速度更快——高达 30 倍！

简答：

arr <- stri_extract_all_regex(x, "(?<=[\\[\\(,])[0-9.]+(?=[\\]\\),])", simplify = NA)
data.frame(low = as.numeric(arr[,1]), high = as.numeric(arr[,2]))

长答案：

require(stringi)
require(microbenchmark)

grepFun <- function(x){
  mat <- regmatches(x,
                gregexpr("(?<=[\\[\\(,])[0-9.]+(?=[\\]\\),])", x, perl = TRUE))
  newnames <- lapply(mat, function(m) {
    if (! length(m)) return(list(low = NA, high = NA))
      setNames(as.list(as.numeric(m)), nm = c("low", "high"))
  })
  do.call(rbind.data.frame, newnames)
}

striFun <- function(x){
  arr <- stri_extract_all_regex(x, "(?<=[\\[\\(,])[0-9.]+(?=[\\]\\),])", simplify = NA)
  data.frame(low = as.numeric(arr[,1]), high = as.numeric(arr[,2]))
}

# 两个函数的作用相同 grepFun（分数名称） 低高 1 无 无 2 20.0 180.0 3 360.0 460.0 4 460.0 629.0 ... 12 25.0 49.0 striFun（乐谱） 低高 1 无 无 2 20.0 180.0 3 360.0 460.0 4 460.0 629.0 ... 12 25.0 49.0

# generating more complicated vector 
n <- 10000
x <- stri_paste(stri_rand_strings(n, length = 1:10), sample(c("(","["),n,TRUE),  
  sample(1000,n,TRUE), ",", sample(1000,n,TRUE),    sample(c(")","]"), n, TRUE))
head(x) # check first elements
[1] "O[68,434]"      "Ql[783,151)"    "Zk0(773,60)"    "ETfV(446,518]"  "Xixbr(576,855)" "G6QnHu(92,955)"

#short test 使用新数据 grepFun(x[1:6]) 低高 1 68 434 2 783 151 3 773 60 4 446 518 5 576 855 6 92 955 striFun(x[1:6]) 低高 1 68 434 2 783 151 3 773 60 4 446 518 5 576 855 6 92 955 #和一些基准来证明性能 微基准（grepFun（x），striFun（x）） 单位：毫秒 expr min lq mean 中位数 uq max neval grepFun(x) 330.27733 366.09306 416.56330 406.08914 465.29829 568.15250 100 striFun(x) 11.57449 11.97825 13.38157 12.46927 13.67699 25.97455 100

Answer 3

scorenames <- c(
  "(Intercept)"              ,"aado2_calc(20,180]"       ,"aado2_calc(360,460]"     
 ,"aado2_calc(460,629]"      ,"albumin[1,1.8]"           ,"albumin(1.8,2.2]"        
 ,"albumin(2.2,2.8]"         ,"aniongap(15,18]"          ,"aniongap(18,20]"         
 ,"aniongap(20,22]"          ,"aniongap(22,25]"          ,"aniongap(25,49]"
)

第一步可能是提取“parens”分隔符中的所有内容（包括()、[] 和逗号,）。

mat <- regmatches(scorenames,
                  gregexpr("(?<=[\\[\\(,])[0-9.]+(?=[\\]\\),])", scorenames, perl = TRUE))
str(mat)
# List of 12
#  $ : chr(0) 
#  $ : chr [1:2] "20" "180"
#  $ : chr [1:2] "360" "460"
#  $ : chr [1:2] "460" "629"
#  $ : chr [1:2] "1" "1.8"
#  $ : chr [1:2] "1.8" "2.2"
#  $ : chr [1:2] "2.2" "2.8"
#  $ : chr [1:2] "15" "18"
#  $ : chr [1:2] "18" "20"
#  $ : chr [1:2] "20" "22"
#  $ : chr [1:2] "22" "25"
#  $ : chr [1:2] "25" "49"

从这里，我们可以看到（1）第一个是有问题的（毫不奇怪，你需要在这里弄清楚你想要什么），以及（2）其余的看起来都差不多。

这是处理此列表的一种粗略方法。这是非常信任和幼稚的...您可能应该添加检查以确保列表的长度为 2，确保所有内容都正确转换（可能在 tryCatch 中）等等。

newnames <- lapply(mat, function(m) {
  if (! length(m)) return(list(low = NA, high = NA))
  setNames(as.list(as.numeric(m)), nm = c("low", "high"))
})
str(newnames)
# List of 12
#  $ :List of 2
#   ..$ low : logi NA
#   ..$ high: logi NA
#  $ :List of 2
#   ..$ low : num 20
#   ..$ high: num 180
#  $ :List of 2
#   ..$ low : num 360
#   ..$ high: num 460
# ...snip...

你可以把它变成一个data.frame：

head(do.call(rbind.data.frame, newnames))
#     low  high
# 1    NA    NA
# 2  20.0 180.0
# 3 360.0 460.0
# 4 460.0 629.0
# 5   1.0   1.8
# 6   1.8   2.2