在R中使用grepl提取子字符串

Question

我有一个带有字符串列的表格，格式如下：

abcdWorkstart.csv
abcdWorkcomplete.csv

我想提取文件名中的最后一个单词。所以我认为开头的模式应该是单词“Work”，结尾的模式应该是“.csv”。我使用了grepl，但没有起作用。

grepl("Work{*}.csv", data$filename)

基本上我想提取在 Work 和 .csv 之间的任何内容。 期望的结果：

start
complete

- ajax2000

---

请看一下我的修改@ajax2000。在问题中添加所需的结果始终是一个好习惯。这样做会使一切变得更加容易，人们也会确切地知道你想要什么。我鼓励你在下一个问题中这样做;-)。 - Andre Elrico

Answer 1

我认为你需要使用sub或者gsub（替换/提取）来代替grepl（查找是否存在匹配项）。请注意，如果没有找到匹配项，它将返回未经修改的整个字符串：

fn <- c('abcdWorkstart.csv', 'abcdWorkcomplete.csv', 'abcdNothing.csv')
out <- sub(".*Work(.*)\\.csv$", "\\1", fn)
out
# [1] "start"           "complete"        "abcdNothing.csv"

你可以通过过滤掉未更改的内容来解决这个问题：

out[ out != fn ]
# [1] "start"    "complete"

或者将它们标记为无效，使用NA（或其他内容）：

out[ out == fn ] <- NA
out
# [1] "start"    "complete" NA        

- r2evans

Answer 2

使用stringr中的str_extract函数。该函数使用正向零宽断言匹配"Work"和".csv"之间的一个或多个字符 (.+):

x <- c("abcdWorkstart.csv", "abcdWorkcomplete.csv")

library(stringr)
str_extract(x, "(?<=Work).+(?=\\.csv)")
# [1] "start"    "complete"

- acylam

Answer 3

作为另一种选择，可以删除您不需要的所有内容。

x <- c("abcdWorkstart.csv", "abcdWorkcomplete.csv")

gsub("^.*Work|\\.csv$", "", x)
#[1] "start"    "complete"

请注意： 我必须使用gsub。因为我首先去除^.*Work，然后是\\.csv$。

---

对于[\\s\\S]或\\d\\D...（不适用于[g]？sub） https://regex101.com/r/wFgkgG/1 使用akruns方法运行： regmatches(v1, regexpr("(?<=Work)[\\s\\S]+(?=[.]csv)", v1, perl = T))

str1<-
'12
.2
12'

gsub("[^.]","m",str1,perl=T)
gsub(".","m",str1,perl=T)
gsub(".","m",str1,perl=F)

. 在使用 R 引擎时也会匹配 \n。

- Andre Elrico

---

几乎所有的解决方案都可以工作，但我认为这个更加简洁。谢谢。 - ajax2000

Answer 4

这里有一个使用base R中的regmatches/regexpr选项。使用正则表达式回溯来匹配字符串“Work”后面不是.的所有字符，并使用regmatches提取。

regmatches(v1, regexpr("(?<=Work)[^.]+(?=[.]csv)", v1, perl = TRUE))
#[1] "start"    "complete"

数据

v1 <- c('abcdWorkstart.csv', 'abcdWorkcomplete.csv', 'abcdNothing.csv')

- akrun

---

更精确地说，您可以使用"(?<=Work).*(?=.csv)"。 - r2evans

@avid_useR 但是，我正在使用regmatches/regexpr。 - akrun

@AndreElrico，[\\s\\S]不是匹配任何字符吗？使用.更加简明吧？ - r2evans

@r2evans 我同时使用 [.] 或 \\.，不过我觉得前者更容易打。 - akrun

这种方法（以及其他方法）的一个问题是，regmatches（...）不一定匹配原始向量的索引。例如，输入了三个文件名，输出了两个，但没有直接指示它们属于哪个文件名。（用另外一行或两行代码很容易确定，而且不仅适用于regmatches ...尽管我的答案返回带有NA是明确无误的。） - r2evans