R 替换多个（3+；）大写字母之间的空格

我有一些文字，人们用大写字母和空格来突出子字符串。我想替换这些子字符串之间的空格。该模式的规则是：“至少3个连续的大写字母，每个字母之间留有空格”

我很好奇如何使用纯正则表达式和gsubfn包来实现这一点，因为我认为这对它来说是一项简单的工作，但在下面的MWE示例中，由于在其中放置了一个额外的字母，我崩溃并烧毁了它（我很好奇为什么会发生这种情况）

MWE

---

正如我在评论中指出的，问题中的第一个gsubfn调用中的问题是由于正则表达式中有两个捕获组，而函数只有一个参数。这些需要匹配——两个捕获组意味着需要两个参数。通过运行此命令并查看print语句的输出，我们可以看到gsubfn传递了什么：

junk <- gsubfn('(([A-Z]\\s+){2,}[A-Z])', ~ print(list(...)), x)

请注意，它将公式解释为函数：

function (...) gsub("\\s+", "", ..1)

function(x, y) gsub("\\s+", "", x)

我们可以这样查看由公式生成的函数：

fn$identity( ~ gsub("\\s+", "", ..1) )
## function (...) 
## gsub("\\s+", "", ..1)

2）这使用问题中的正则表达式和问题中的函数，但添加backref=-1参数，该参数告诉它只将第一个捕获组传递给函数——减号表示也不会传递整个匹配

gsubfn('(([A-Z]\\s+){2,}[A-Z])', spacrm1, x, backref = -1)

（正如@Wiktor Stribiżew在他的回答中指出的那样，

backref=0

也会起作用。）

3）使用问题中的正则表达式表达这一点的另一种方式是：

gsubfn('(([A-Z]\\s+){2,}[A-Z])', x + y ~ gsub("\\s+", "", x), x)

请注意，它将公式解释为以下函数：

function (...) gsub("\\s+", "", ..1)

function(x, y) gsub("\\s+", "", x)

---

这里的问题是

gsubfn

将哪些项传递给

spacrm

函数，以及参数数量

spacrm

函数接受与传递给它们的参数数量不匹配

请参阅about

backref

参数：

要传递给函数的反向引用数。如果为零或正，则将匹配项作为第一个参数传递给替换函数，后跟指定数量的反向引用作为后续参数。如果为负数，则只传递反向引用数，但不传递匹配本身。如果省略，将自动确定，即，如果没有反向引用，则为0，否则等于反向引用数。它通过计算模式中非转义左括号的数量来确定这一点

因此，在您的例子中，

backref

参数被省略，而

spacrmX

函数值被忽略

只接受一个参数的

spacrm1

函数得到两个参数，因此

未使用的参数（“L”）

错误

当使用

spacrm2

时，它获得了所有两个捕获的值，并且它们被连接在一起（在删除空白之后）

实际上，您可以使用

backref=0

告诉

gsubfn

仅处理整个匹配值并简化模式，删除捕获组并使用一个非捕获组：

spacrm1 <- function(string) {gsub('\\s+', '', string)}
x <- c(
     'Welcome to A I: the best W O R L D!',
     'Hi I R is the B O M B for sure: we A G R E E indeed.'
)
gsubfn('(?:[A-Z]\\s+){2,}[A-Z]', spacrm2, x, backref=0)
[1] "Welcome to A I: the best WORLD!"              
[2] "Hi I R is the BOMB for sure: we AGREE indeed."

spacrm1概述
在R中，有一种完全使用正则表达式的方法可以做到这一点，但它并不漂亮（尽管我认为它看起来很可爱！）这个答案也可以根据您的需要定制（最小两个大写字母，最小三个字母，等等），即可伸缩性，并且可以匹配多个水平空白字符（不使用lookbehinds，后者需要固定的宽度）


代码

替换：空字符串


编辑1（非ASCII字母）
我的原始模式使用了
\b
，这可能不适用于Unicode字符（如
É
）。以下替代方案可能是更好的方法。它会检查以确保第一个大写字符前面的不是字母（来自任何语言/脚本）。它还确保如果后跟任何其他字母，则它与大写字母序列末尾的大写字符不匹配

如果还需要确保数字不在大写字母之前，可以使用
[^\p{L}\p{N}]
代替
\p{L}


输出

解释

（？：（？=（？：\b\p{Lu}\h+{2}\p{Lu}）|\G（？！\A））
匹配以下任一项

（？=\b（？:\p{Lu}\h+{2}\p{Lu}）
正向前瞻确保后面的内容匹配（在本例中用作断言，以查找字符串中格式为
A
的所有位置）。您还可以在正向前瞻的末尾添加
\b
，以确保类似
I A Name
的内容不匹配

\b
在单词边界处断言位置
（？：\p{Lu}\h+{2}
将以下内容精确匹配两次

\p{Lu}
匹配任何语言（Unicode）中的大写字符
\h+
匹配一个或多个水平空白字符


\p{Lu}
匹配任何语言（Unicode）中的大写字符


\G（？！\A）
在上一次匹配结束时断言位置


\p{Lu}
匹配任何语言（Unicode）中的大写字符
\K
重置报告匹配的起始点。以前使用的任何字符不再包括在最终匹配中
\h+
匹配一个或多个水平空白字符
（？=\p{Lu}）
正向前瞻确保后面是任何语言（Unicode）中的大写字符


编辑2（python）
下面是与上面类似的python（需要运行）。我将
\h
替换为
[\t]
，因为PyPi regex当前不支持
\h
令牌


以上正则表达式基于第一个正则表达式。如果您希望使用第二个正则表达式，请使用以下命令：

(?:(?<=\P{L})(?=(?:\p{Lu}[ \t]+){2}\p{Lu})|\G(?!\A))\p{Lu}\K[ \t]+(?=\p{Lu}(?!\p{L}))

您可以简单地匹配前面有大写字母的空格，以及后面有两个由空格分隔的大写字母(
(?:(?=\b(?:\p{Lu}\h+){2}\p{Lu})|\G(?!\A))\p{Lu}\K\h+(?=\p{Lu})

(?:(?<=\P{L})(?=(?:\p{Lu}\h+){2}\p{Lu})|\G(?!\A))\p{Lu}\K\h+(?=\p{Lu}(?!\p{L}))

x <- c(
    "Welcome to A I: the best W O R L D!",
    "Hi I R is the B O M B for sure: we A G R E E indeed."
)
gsub("(?:(?=\\b(?:\\p{Lu}\\h+){2}\\p{Lu})|\\G(?!\\A))\\p{Lu}\\K\\h+(?=\\p{Lu})", "", x, perl=TRUE)

Welcome to A I: the best W O R L D!
Hi I R is the B O M B for sure: we A G R E E indeed.

Welcome to A I: the best WORLD!
Hi I R is the BOMB for sure: we AGREE indeed.

import regex
a = [
    "Welcome to A I: the best W O R L D!",
    "Hi I R is the B O M B for sure: we A G R E E indeed."
]

r = regex.compile(r"(?:(?=\b(?:\p{Lu} +){2}\p{Lu})|\G(?!\A))\p{Lu}\K +(?=\p{Lu})")
for i in a:
    print(r.sub('',i))

(?:(?<=\P{L})(?=(?:\p{Lu}[ \t]+){2}\p{Lu})|\G(?!\A))\p{Lu}\K[ \t]+(?=\p{Lu}(?!\p{L}))

import re
a = [
    "Welcome to A I: the best W O R L D!",
    "Hi I R is the B O M B for sure: we A G R E E indeed."
]

def repl(m):
    return re.sub(r"\s+",'',m.group(0))

for i in a:
    print(re.sub(r"(?:[A-Z]\s+){2,}[A-Z]", repl, i))

(?<=[A-Z]) (?=[A-Z] [A-Z])|(?<=[A-Z] [A-Z]) (?=[A-Z])

x <- c(
    "Welcome to A I: the best W O R L D!",
    "Hi I R is the B O M B for sure: we A G R E E indeed."
)
gsub("(?<=[A-Z]) (?=[A-Z] [A-Z])|(?<=[A-Z] [A-Z]) (?=[A-Z])", "", x, perl=TRUE)