Python R regex从字符串中提取信息

有人告诉我R是数据处理的好工具。因此，我试图弄清楚是否可以（容易地）用R进行正则表达式数据提取

下面是从Python中提取两个关键信息的示例：

import re

str = "oh, 100.0 dollar is 621.5 yuan"
m = re.search("([\d+\.\d+]+).*?([\d+\.\d+]+)",str)
if m:
    print m.group(1),"->",m.group(2)

Python的输出是：

100.0 -> 621.5

---

Python带来了非常酷的结果，但是如何在R中高效地实现呢？

当然。类似的事情也很容易通过BaseR或其众多包中的一个实现。下面是一个使用“stringi”包的示例

---

嗯，您的正则表达式不正确，并且与您期望的匹配。定义一组字符。说“匹配一个类指定的字符”

因此，它符合以下条件：

[\d+\.\d+]+   # any character of: digits (0-9), '+', '\.', digits (0-9), '+' 
              # (1 or more times)

使用base R，您可以使用以下模式使用

regmatches

和

gregexpr

：

x <- 'oh, 100.0 dollar is 621.5 yuan'
m <- regmatches(x, gregexpr('\\d+(?:\\.\\d+)?', x, perl=T))[[1]]
paste(m[1], '->', m[2])
# [1] "100.0 -> 621.5"

---

这里有一些方法。其他的也可以使用各种其他包

1）它可以用

Straply

在一行中完成（尽管为了可读性，我们将它分成两行）

Straply

将模式

pat

应用于字符串

str

，然后将捕获的字符串输入函数（此处以公式表示法表示），并返回结果：

library(gsubfn)

# test data
str <- "oh, 100.0 dollar is 621.5 yuan"

pat <- "([\\d+\\.\\d+]+).*?([\\d+\\.\\d+]+)"   
strapply(str, pat, ~ paste(x, "->", y), simplify = TRUE)

注意我们使用了与问题中相同的正则表达式，以表明python正则表达式也在R中工作（尽管我们在写出它时需要将反斜杠加倍，因为“\\”表示一个反斜杠）；但是，我们可以使用以下方法稍微简化正则表达式：

pat <- "(\\d+\\.\\d+).*?(\\d+\\.\\d+)"   

给出同样的答案

3）另一种方法是将输入拆分为单词，然后只保留表示数字的单词。此软件包不使用任何软件包：

g <- grep("\\d+\\.\\d+", strsplit(str, " ")[[1]], value = TRUE)
paste(g[1], "->", g[2])

---

g以下是一系列
gsub
函数

> str = "oh, 100.0 dollar is 621.5 yuan"
> sub("[[:space:]]+", " -> ", gsub("^[[:space:]]+|[[:space:]]+$", "", gsub("(\\d+(?:\\.\\d+)?)|\\S", '\\1', str, perl=T)))
[1] "100.0 -> 621.5"

如果输入包含两个以上的数字，请尝试此操作。我刚刚将上面的
sub
函数替换为
gsub

> str = "oh, 100.0 dollar is 621.5 yuan 700 to 888.78"
> gsub("[[:space:]]+", " -> ", gsub("^[[:space:]]+|[[:space:]]+$", "", gsub("(\\d+(?:\\.\\d+)?)|\\S", '\\1', str, perl=T)))
[1] "100.0 -> 621.5 -> 700 -> 888.78"

[[：space:]+
POSIX字符类，它匹配一个或多个空格。
Python也有许多用于数据处理的工具。你不需要学习R就可以做到这一点。R也支持正则表达式，你试过什么了吗？我本来打算用stri_match_all

，但这同样好：）这个例子两种模式是相同的，如果是不同的模式呢？例如，第一个匹配数字，第二个匹配字符串？@Beatlej，那么您需要提供一个更具体的正则表达式，也许可以使用模式中的

来指定选项。@Beatlej您需要使用交替。i、 e.

\\d+（？：\\.\\d+）（…）

很好，但是如果不匹配，m[1]和m[2]是什么？为什么不试试看呢？问题不清楚，但所有的答案在

str

上都给出了相同的结果。好吧，这就是海报使用的正则表达式，所以我使用了相同的正则表达式来说明python正则表达式在R中也起作用（反斜杠的模加倍）因为我认为这是问题的重点。我将在此添加一个注释。

pat <- "(\\d+\\.\\d+).*?(\\d+\\.\\d+)"   

pat <- "([\\d.]+).*?([\\d.]+)"

s <- strapplyc(str, "\\d+\\.\\d+")[[1]]
paste(s[1], "->", s[2])

g <- grep("\\d+\\.\\d+", strsplit(str, " ")[[1]], value = TRUE)
paste(g[1], "->", g[2])

> str = "oh, 100.0 dollar is 621.5 yuan"
> sub("[[:space:]]+", " -> ", gsub("^[[:space:]]+|[[:space:]]+$", "", gsub("(\\d+(?:\\.\\d+)?)|\\S", '\\1', str, perl=T)))
[1] "100.0 -> 621.5"

> str = "oh, 100.0 dollar is 621.5 yuan 700 to 888.78"
> gsub("[[:space:]]+", " -> ", gsub("^[[:space:]]+|[[:space:]]+$", "", gsub("(\\d+(?:\\.\\d+)?)|\\S", '\\1', str, perl=T)))
[1] "100.0 -> 621.5 -> 700 -> 888.78"