使用gsub和正则表达式提取特定单词

Question

从之前的问题中跳出来，我遇到了一个问题，即如何使用正确的正则表达式语法来隔离特定的单词。

给定一个数据框：

DL<-c("Dark_ark","Light-Lis","dark7","DK_dark","The_light","Lights","Lig_dark","D_Light")
Col1<-c(1,12,3,6,4,8,2,8)
DF<-data.frame(Col1)
row.names(DF)<-DL

我希望提取行名称中的所有“Dark” 和 “Light”（忽略大小写），并创建第二列仅包含字符串“Dark”或“Light”。

Col2<-c("Dark","Light","dark","dark","light","Light","dark","Light")
DF$Col2<-Col2

          Col1  Col2
Dark_ark     1  Dark
Light-Lis   12 Light
dark7        3  dark
DK_dark      6  dark
The_light    4 light
Lights       8 Light
Lig_dark     2  dark
D_Light      8 Light

我稍微修改了原始数据以详细说明我的当前问题。在Tyler Rinker给出的优秀答案的启发下，我使用了以下代码：

DF$Col2<-gsub("[^dark|light]", "", row.names(DF), ignore.case = TRUE)

但是gsub对一些常用字母有误判。在论坛上搜索使用正则表达式隔离确切单词的答案时，似乎应该使用双斜杠和

\\<light\\>

或者

\\blight\\b

所以，为什么会出现这条线呢？

DF$Col2<-gsub("[^\\<dark\\>|\\<light\\>]", "", row.names(DF), ignore.case = TRUE)

没有获取所需的列吗？而是我得到了

          Col1    Col2
Dark_ark     1 Darkark
Light-Lis   12 LightLi
dark7        3    dark
DK_dark      6  DKdark
The_light    4 Thlight
Lights       8   Light
Lig_dark     2 Ligdark
D_Light      8  DLight

- Vinterwoo

---

如果问题不是ssce，没有人会回答正则表达式的问题。 - aaronman

首先，\\b 用于定义单词边界。因此，您必须告诉它确切的字符串在哪里。据我所知，您不能否定它。其次，它使用空格和标点符号来查找边界... _ 不是其中之一。 - Arun

Answer 1

这个怎么样？

unlist(regmatches(rownames(DF), gregexpr("dark|light", rownames(DF), ignore.case=TRUE)))
# [1] "Dark"  "Light" "dark"  "dark"  "light" "Light" "dark"  "Light"

或者

gsub(".*(dark|light).*$", "\\1", row.names(DF), ignore.case = TRUE)
# [1] "Dark"  "Light" "dark"  "dark"  "light" "Light" "dark"  "Light"

- Arun

---

虽然在一般实践中稍微有些风险，但由于 as.character 的工作方式，您可以将第一个函数写成：tolower(regmatches(rownames(DF), gregexpr("dark|light", rownames(DF), ignore.case=TRUE)))。 - thelatemail

...而第二种方法可能会给出更一致的结果：gsub(".*(dark|light).*$", "\\1", tolower(row.names(DF)))。 - thelatemail

@thelatemail，OP所展示的输出例如包含“Dark”和“dark”，这取决于行名称中哪一个存在。因此答案中没有使用tolower函数。 - Arun

这是正确的，但它也说：“我想从行名称中提取所有的“Dark”和“Light”（忽略大小写），并创建一个包含字符串“Dark”或“Light”的第二列”。 - thelatemail

句子的第一部分（大写 vs 小写）是用于提取，而不是替换。句子的第二部分与 OP 的输出明显相矛盾。无论如何，tolower 不会给出 "Dark" 和 "Light"，而是会给出 "dark" 和 "light"。 - Arun

Answer 2

其中一种选择是使用 stringr 包：

library(stringr) 
str_extract(tolower(rownames(DF)),'dark|light')
[1] "dark"  "light" "dark"  "dark"  "light" "light" "dark"  "light"

或者更好的方法是使用 @Arun 的建议：

str_extract(rownames(DF), ignore.case('dark|light'))

- agstudy

---

agstudy，看起来你可以这样做：str_extract(rownames(DF), ignore.case('dark|light')) - Arun