如何基于字符串字符来对向量进行子集化？

Question

我有一个由"ZZZ1Z01Z0ZZ0", "1001ZZ0Z00Z0"等条目组成的向量，我想根据以下条件对该向量进行子集提取：

1. 第三个字符是 Z
2. 第三个和第七个字符都是 Z
3. 第三个和第七个字符都是 Z，并且没有其他字符是 Z

我尝试使用strsplit和grep，但我无法找到一种基于字符串上的字符位置限制我的条件的方法。 有什么建议吗？

非常感谢！

- Rafael Maia

---

这些向量的长度总是相同的，只包含0、1和Z吗？我不知道这些东西是如何工作的，我只能提供一个正则表达式 :) - sinni800

Answer 1

您可以使用正则表达式实现此目标（有关正则表达式的详细信息，请参见 ?regexp）。

grep 返回匹配项的位置，并在未找到匹配项时返回零长度向量。您可能希望改用 grepl，因为它返回一个逻辑向量，可用于子集操作。

z <- c("ZZZ1Z01Z0ZZ0", "1001ZZ0Z00Z0")
# 3rd character is Z ("^" is start of string, "." is any character)
grep("^..Z", z)
# 3rd and 7th characters are Z
grep("^..Z...Z", z)
# 3rd and 7th characters are Z, no other characters are Z
# "[]" defines a "character class" and "^" in a character class negates the match
# "{n}" repeats the preceding match n times, "+" repeats is one or more times
grep("^[^Z]{2}Z[^Z]{3}Z[^Z]+", z)

- Joshua Ulrich

---

你为什么会考虑用其他方式来做呢？ - IRTFM

非常感谢您的帮助。我已经开始尝试使用正则表达式，它们真是太棒了！简直不敢相信我以前怎么没接触过这个。谢谢！ - Rafael Maia

Answer 2

扩展Josh的回答，您想要

your_dataset <- data.frame(
  z = c("ZZZ1Z01Z0ZZ0", "1001ZZ0Z00Z0")
)
regexes <- c("^..Z", "^..Z...Z", "^[^Z]{2}Z[^Z]{3}Z[^Z]+")

lapply(regexes, function(rx)
{
  subset(your_dataset, grepl(rx, z))
})

还可以考虑使用 stringr 包中的 str_detect(z, rx) 替换 grepl(rx, z)。这样代码不仅更易读，而且几乎没有任何区别。

- Richie Cotton

Answer 3

你可以使用substr命令提取特定字符来完成前两个步骤，而无需使用正则表达式。

# Grab the third character in each element and compare it to Z
substr(z, 3, 3) == "Z"
# Check if the 3rd and 7th characters are both Z
(substr(z, 3, 3) == "Z") & (substr(z, 7, 7) == "Z")  

然而，Joshua提供的正则表达式方法更加灵活，在使用substr方法实现你所需的第三个限制时会很麻烦。正则表达式对于像第三个限制这样的问题更加适用，并学习如何使用它们永远不是一个坏主意。

- Dason