请问有人能准确解释一下这些gsub参数吗？

Question

我有一段代码，是用来在找到下划线"_"后截取字符串的，但是我不理解传递给gsub函数的操作符/参数是如何使这种操作成为可能的。特别是为什么我需要使用gsub "\\1"而不是""。我注意到gsub空字符串的输出会将整个字符串删除。我还有一点困惑的是操作符的使用方式，尤其是括号和方括号：

AAA <- "ATGAS_1121"
(aa <- gsub("([^_]*).*", "\\1", AAA))
## [1] "ATGAS"

请注意，本文主要参考了以下来源：R remove part of string 谢谢，感激不尽。

- Phantom Photon

---

"([^_]*).*" - rawr

Answer 1

在正则表达式中，(..) 被称为捕获组，它可以捕获与组内模式匹配的所有字符。您可以通过反向引用组索引号来引用这些字符。

gsub("([^_]*).*", "\\1", AAA)

([^_]*)会捕获从开头开始但不包括_的所有字符，且可以出现零次或多次。接下来的.*将匹配剩余的所有字符。gsub将用替换部分中的字符替换所有匹配的字符。如果您的代码类似于：

gsub("([^_]*).*", "", AAA)

如果我们匹配了所有字符但是只捕获那些在起始位置出现（不是_符号）的字符，那么将会移除掉所有字符。所以通过用组索引1中存在的字符替换匹配的字符，将会得到_符号前面的部分。

你也可以使用\K来实现相同的结果。

> gsub("[^_]*\\K.*", "", AAA, perl = TRUE)
[1] "ATGAS"

\K 是一个 PCRE 特性，你需要启用 perl=TRUE 参数。其作用是保留已匹配的文本，并将其从整体正则表达式匹配结果中剔除。

- Avinash Raj

---

或者您可以直接使用 gsub("_.*", "", AAA)。 - David Arenburg

我认为 sub 对于所有情况都足够了。 - Avinash Raj

Answer 2

为什么我需要使用gsub \\1而不是""

反向引用告诉引擎匹配由捕获组捕获的字符。通过将要分组的字符放在一对括号(...)中，可以创建一个捕获组。从左到右的每个一组捕获括号都被分配一个数字，无论引擎在评估匹配时是否使用这些括号。

在这种情况下，您需要在替换调用中使用反向引用\1，将由第1组匹配的字符赋值给新字符串aa。如果使用""，则会将空值赋给aa，因为正则表达式模式匹配整个字符串。

我也有点困惑运算符如何使用...括号

你所问的方括号 [ ... ] 被称为 字符类，它定义了一组字符。意思是“匹配类别中指定的一个字符”。

我建议这样做：

在这个例子中，根本不需要正则表达式，你可以简单地分割字符串。

AAA <- 'ATGAS_1121'
strsplit(AAA, '_', fixed=T)[[1]][1]
# [1] "ATGAS"

如果您坚持使用正则表达式，您可以使用以下方式的 sub：

AAA <- 'ATGAS_1121'
sub('_.*', '', AAA)
# [1] "ATGAS"

- hwnd