在R中使用lapply处理列表的子集，并返回与原始列表长度相同的列表

Question

我希望使用lapply对列表元素的子集（即字符字符串）应用正则表达式操作，并返回与原始列表长度相同的列表。 列表元素是长字符串（从读取长文本文件并将段落折叠成单个字符串中派生而来）。 正则表达式操作仅适用于列表元素/字符串的子集。 我希望未经子集处理的列表元素（字符字符串）以其原始状态返回。

正则表达式操作是来自stringr包的str_extract，即我想从较长的字符串中提取子字符串。 我基于文件名中的正则表达式模式对列表元素进行子集处理。

以下是一个简化数据的示例：

library(stringr)
texts <- as.list(c("abcdefghijkl", "mnopqrstuvwxyz", "ghijklmnopqrs", "uvwxyzabcdef"))
filenames <- c("AB1997R.txt", "BG2000S.txt", "MN1999R.txt", "DC1997S.txt")
names(texts) <- filenames
regexp <- "abcdef"

我提前知道我想要对哪些字符串应用正则表达式操作，因此我想要对这些字符串进行子集处理。也就是说，我不想对列表中的所有元素运行正则表达式，因为这样做会返回一些无效结果（在这个简化的示例中并不明显）。

我已经尝试了一些天真的努力，例如：

x <- lapply(texts[str_detect(names(texts), "1997")], str_extract, regexp)
> x
$AB1997R.txt
[1] "abcdef"

$DC1997S.txt
[1] "abcdef"

该函数返回一个缩短长度的列表，只包含找到的子字符串。但我想要得到的结果是：

> x
$AB1997R.txt
[1] "abcdef"

$BG2000S.txt
[1] "mnopqrstuvwxyz"

$MN1999R.txt
[1] "ghijklmnopqrs"

$DC1997S.txt
[1] "abcdef"

不包含正则表达式模式的字符串将以原始状态返回。

我已经了解了stringr、lapply和llply（在plyr包中），但是许多操作使用数据框作为示例，而不是列表，并且不涉及字符串的正则表达式操作。我可以使用for循环实现我的目标，但是我正在试图摆脱这种方式，并更好地使用apply类函数，因为通常会建议这样做。

- Brigitte

Answer 1

你可以使用子集操作符[<-：

x <- texts
is1997 <- str_detect(names(texts), "1997")
x[is1997] <- lapply(texts[is1997], str_extract, regexp)
x
# $AB1997R.txt
# [1] "abcdef"
#
# $BG2000S.txt
# [1] "mnopqrstuvwxyz"
#
# $MN1999R.txt
# [1] "ghijklmnopqrs"
#
# $DC1997S.txt
# [1] "abcdef"
#

- sgibb

---

非常感谢。我曾尝试在左侧和右侧进行子集操作，但最初没有正确地执行，然后认为解决方案一定很复杂。这是理想的解决方案。 - Brigitte

我做错的是尝试使用双括号进行子集操作。对于其他新手来说，我发现双括号返回与元素原始类相同的对象，而单括号返回列表对象。 - Brigitte

Answer 2

你可以尝试使用 sub。

  sub(paste0('.*(', regexp, ').*'), '\\1', texts)
  # AB1997R.txt      BG2000S.txt      MN1999R.txt      DC1997S.txt 
  #  "abcdef" "mnopqrstuvwxyz"  "ghijklmnopqrs"         "abcdef" 

此外，如果您需要将“texts”名称与1997匹配，我们可以使用grep。

  indx <- grep('1997', names(texts))
  texts[indx] <- sub(paste0('.*(', regexp, ').*'), '\\1', texts[indx])
  as.list(texts)

- akrun

---

非常感谢这个。我尽可能地试着坚持使用stringr。另外，由于文本非常长，以 .* 开头的模式需要很长时间才能到达正则表达式匹配，可能是由于回溯造成的。所以我选择了str_extract而不是str_replace。 - Brigitte