获取R中每列的最后四个单词

Question

我有一个包含多列的数据集，其中之一 (d$leftContext) 包含以下字符串：

Eens zien of je binnen een paar jaar , wanneer er hier misschien een 
Ik zou denken van wel , eens deze kerel verdwenen zullen er nog erger aan de macht komen , mensen , crimineel krankzinnig , en fanatiek godsdienstig genoeg om met atoombommen naar het westen te smijten...Die 
Die 
Die 
Als de 

对于其中的每一个，我只想返回最后四个单词。我首先想用正则表达式来实现这一点，但我很确定当字符串短于四个单词时这将不起作用（后三种情况就是这种情况）。此外，当单词之间存在除 spacew 以外的任何其他字符时（如第二行的情况），我提出的正则表达式将不起作用。查看我的正则表达式 here 的示例。

.*(?=(\b\w+\s){4}$)

那么，我怎样才能去掉 R 中的最后四个单词（和它们之间的所有内容）？

对于上面显示的块，结果看起来像（如果没有足够的存在，保留最后四个单词或更少）：

er hier misschien een
westen te smijten...Die 
Die 
Die 
Als de 

Answer 1

首先要意识到正则表达式和 R 都使用反斜杠作为转义字符，因此在创建模式字符串时需要将“\”加倍。这将返回字符类项目" "、"," 和"." 列表的4 个单词和嵌入的分隔符。唯一要转义的字符是反斜杠。

> sub( patt='(.+)(([ ,.]+\\w+){4})[ ]?$', repl='\\2', Lines)
[1] " er hier misschien een"   " westen te smijten...Die" "Die "  
[4] "Die "                     "Als de"                  

实际上并没有匹配最后三个，因为它们实际上没有 4 个分隔符模式。我需要输入最后的 "[ ]? 因为有几行复制的尾随空格弄乱了我的匹配。

>dput(Lines)
c("Eens zien of je binnen een paar jaar , wanneer er hier misschien een ", 
"Ik zou denken van wel , eens deze kerel verdwenen zullen er nog erger aan de macht komen , mensen , crimineel krankzinnig , en fanatiek godsdienstig genoeg om met atoombommen naar het westen te smijten...Die ", 
"Die ", "Die ", "Als de")

Answer 2

这样就可以了：

df <- data.frame(leftContext=c('Eens zien of je binnen een paar jaar , wanneer er hier misschien een','Ik zou denken van wel , eens deze kerel verdwenen zullen er nog erger aan de macht komen , mensen , crimineel krankzinnig , en fanatiek godsdienstig genoeg om met atoombommen naar het westen te smijten...Die','Die','Die','Als de'), stringsAsFactors=F );
df$leftContext;
## [1] "Eens zien of je binnen een paar jaar , wanneer er hier misschien een"
## [2] "Ik zou denken van wel , eens deze kerel verdwenen zullen er nog erger aan de macht komen , mensen , crimineel krankzinnig , en fanatiek godsdienstig genoeg om met atoombommen naar het westen te smijten...Die"
## [3] "Die"
## [4] "Die"
## [5] "Als de"
sub('(\\b\\w+\\b\\W*){1,4}$','',df$leftContext);
## [1] "Eens zien of je binnen een paar jaar , wanneer "
## [2] "Ik zou denken van wel , eens deze kerel verdwenen zullen er nog erger aan de macht komen , mensen , crimineel krankzinnig , en fanatiek godsdienstig genoeg om met atoombommen naar het "
## [3] ""
## [4] ""
## [5] ""

关键是变量绑定{1,4}的使用；这确保了如果少于四个单词，仍然会删除 1:3 的尾随单词。此外，非空白分隔符很容易被\W 覆盖，它匹配任何非单词字符。

编辑：抱歉，OP 说的是“return”，然后是“strip off”，而我用“strip off”表示删除。

我一直在尝试修改我的正则表达式来满足要求，但值得注意的是，在我看来，R 的正则表达式实现，至少关于在正则表达式中有变量绑定时扩展替换字符串中的捕获组， 被打破。在这种情况下，替换字符串中的\1、\2 等无法正确展开。

为了解决这个问题，我想出了一个技巧，它使用substr() 来提取您想要的输入字符串的尾随部分：

df <- data.frame(leftContext=c('Eens zien of je binnen een paar jaar , wanneer er hier misschien een','Ik zou denken van wel , eens deze kerel verdwenen zullen er nog erger aan de macht komen , mensen , crimineel krankzinnig , en fanatiek godsdienstig genoeg om met atoombommen naar het westen te smijten...Die','Die','Die','Als de'), stringsAsFactors=F );
df$leftContext;
## [1] "Eens zien of je binnen een paar jaar , wanneer er hier misschien een"
## [2] "Ik zou denken van wel , eens deze kerel verdwenen zullen er nog erger aan de macht komen , mensen , crimineel krankzinnig , en fanatiek godsdienstig genoeg om met atoombommen naar het westen te smijten...Die"
## [3] "Die"
## [4] "Die"
## [5] "Als de"
substr(df$leftContext,nchar(sub('(\\b\\w+\\b\\W*){1,4}$','',df$leftContext))+1,nchar(df$leftContext));
## [1] "er hier misschien een"   "westen te smijten...Die" "Die"                     "Die"                     "Als de"