R正则表达式（相关词语）

Question

我想知道如何使用正则表达式选择相互接近的单词，例如，我想从以下短语中选择数字和单词“miles”：

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

我不知道如何填写中间的可选单词：

[0-9]+ ???? miles

*p near* 可以被定义为相距 1-3 个单词。感谢指出。

- user1103294

---

“near”是什么意思？您想限制它们之间的字符或单词数量吗？还是它们可以任意远离？ - Martin Ender

附近可能相隔1-3个单词 - user1103294

你在使用什么语言来编写正则表达式？为什么需要选择单词“miles”，当你知道它总是存在的？ - FixMaker

@Lorax R 是一门编程语言 ;) - Martin Ender

@m.buettner - 哎呀！我的错，我漏掉了那个。下次教训我不要这么快地浏览问题标题 :-) - FixMaker

Answer 1

这里是一个用R语言的答案，其他答案可能需要一些修改。通常情况下，它们需要有“双转义”，并且你需要使用配对函数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"    

这表示组号加标点，或是在第一组中加入字母k。紧接着可以跟上任何字符。然后是第二组，其中包含单词"miles"，后面还可以跟上其他字符。

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)

然而，我建议先清洗数据，然后进行一些简单的匹配！例如使用tolower函数并删除标点符号。

- Justin

---

这忽略了一个重点，即必须在1到3个单词之间。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。 - Martin Ender

我会坚持在我的帖子底部的注释。如果“miles”距离超过3个单词时不应包括在内，则正则表达式会变得过于复杂！ - Justin

Answer 2

在问题领域中还有许多未解答的问题。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以进行正匹配，并使用一些附加的样本数据进行负匹配（我正在使用R版本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被添加为负匹配，因为问题将“附近”定义为相隔1-3个单词，而这个短语中没有任何“附近的单词”。

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"

可能不是您想要的结果。由于数据未经过规范化处理，您必须使用非常复杂的正则表达式模式。正如Justin在他的answer中建议的那样，先清理数据，然后进行一些更简单的匹配。

您可以按以下方式规范化数据：

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)

请参考以下参考资料以获取更多信息。基本上是去除标点符号并确保单词之间只有一个空格。这将使您得到：y的内容：

[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"

现在删除不符合您要查找的内容的行：

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，获取“相似单词”：

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，但这里提供了一些正则表达式示例供您尝试。

更多信息，请参见：

• R grep 命令。
• 优秀的 Regular-Expressions.info 网站。
• pcrepattern 手册页面，了解更多关于 Perl 正则表达式模式的信息。

- Go Dan

Answer 3

请使用此正则表达式：\d+([.,]\d+)?(?=.*?miles)

- burning_LEGION

---

你会用 R 怎么写这个？ - Justin

@Justin，我猜如果你使用类Perl的正则表达式就可以立即工作。 - Martin Ender

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. "。在 R 中，你需要对正则表达式模式中的反斜杠进行双重转义。 - IRTFM

Answer 4

这还有点模糊，但是我们可以将所有东西定义为由空格分隔的“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，我会让第一个空格可选，看到您的最后一个示例）：

\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。

另请注意，数字部分肯定可以改进。这个只会取第一个数字，然后包括尽可能多的数字、逗号和句点，无论是否构成有效的数字格式。

- Martin Ender