Regex 文本挖掘中的街道地址清理

寻找一种方法来删除我目前的文字街道地址。是否有一个正则表达式可以检测数字范围内的文本？我的想法是，我有一个邮政编码，通常在地址的开头有一个数字

加利福尼亚州洛杉矶帕克斯街1234号，邮编90001

我的主要问题是，当我进行其他清理并在集合中查找其他单词时，我想从数据集中删除街道名称

---

我正在使用Rstudio进行清理。

这将返回一个字符向量。阅读正则表达式时，使用paren将其分为三个捕获组：第一个是任意数量的连续数字，后面是任意数量的非数字，后面是5个数字。仅返回第一个和第三个，中间有空格（如果有匹配项），如果没有匹配项，则不进行更改

> gsub("([0-9]*)(\\D*)(\\d{5})", "\\1 \\3", test)
[1] "1234 90001" "9876 94501"

它需要进一步解析才能返回一组数值向量

> scan( text=gsub("([0-9]*)(\\D*)(\\d{5})", "\\1 \\3", test), what=list("", "") )
Read 2 records
[[1]]
[1] "1234" "9876"

[[2]]
[1] "90001" "94501"

也许最好将拉链读入字符（因为您希望保留前导零），但可以通过更改

什么

列表类型将街道编号转换为数字：

> scan( text=gsub("([0-9]*)(\\D*)(\\d{5})", "\\1 \\3", test), what=list( numeric(), "") )
Read 2 records
[[1]]
[1] 1234 9876

[[2]]
[1] "90001" "94501"

要使其更有用，请执行以下操作：

> setNames( data.frame( scan( text=gsub("([0-9]*)(\\D*)(\\d{5})", "\\1 \\3", test), 
                              what=list( numeric(), "") ) , 
                       stringsAsFactors=FALSE), 
            c( "StrtNumber", "ZIP") )
Read 2 records
  StrtNumber   ZIP
1       1234 90001
2       9876 94501

---

如果您的地址在结构上不完全相同，那么地理编码可能是您的最佳选择：预期输出是什么<代码>1234 90001？这就是我的目标。每行文本中都混合了不同的信息。有时只是一次谈话的总结。有时这是一种行为，例如“约翰将在加利福尼亚州洛杉矶帕克斯街1234号联系，邮编90001。”