Regex R：从字符串中删除最后三个点

我有一个文本数据文件，我可能会用

readLines

阅读它。每个字符串的初始部分都包含大量乱码，后面是我需要的数据。乱七八糟的信息和数据通常用三个点隔开。我想在最后三个点后分割字符串，或者用某种标记替换最后三个点，告诉R将这三个点左边的所有内容都视为一列

下面是一篇关于Stackoverflow的类似文章，它将定位最后一个点：

然而，在我的例子中，一些数据有小数，所以定位最后一个点是不够的。另外，我认为，

…

在R中有一个特殊的含义，这可能会使问题复杂化。另一个潜在的复杂因素是一些点比其他点大。此外，在某些行中，三个点中的一个被逗号替换

除了上面帖子中的

gregexpr

之外，我还尝试过使用

gsub

，但无法找到解决方案

以下是一个示例数据集和我希望实现的结果：

aa = matrix(c(
'first string of junk... 0.2 0 1', 
'next string ........2 0 2', 
'%%%... ! 1959 ...  0 3 3',
'year .. 2 .,.  7 6 5',
'this_string   is . not fine .•. 4 2 3'), 
nrow=5, byrow=TRUE,
dimnames = list(NULL, c("C1")))

aa <- as.data.frame(aa, stringsAsFactors=F)
aa

# desired result
#                             C1  C2 C3 C4
# 1        first string of junk  0.2  0  1
# 2            next string .....   2  0  2
# 3             %%%... ! 1959      0  3  3
# 4                 year .. 2      7  6  5
# 5 this_string   is . not fine    4  2  3

aa=矩阵（c）(
'第一串垃圾…0.2 0 1'，
'下一个字符串…….2 0 2'，
'%%%... ! 1959 ...  0 3 3',
'年份..2.，.76.5'，
“这个字符串不好.•.4 2 3”），
nrow=5，byrow=TRUE，
dimnames=列表（空，c（“C1”））
aa将字符串反转

如有必要，请反转您正在搜索的模式-它不属于您的情况

反转结果

[俳句伪码]

a = 'first string of junk... 0.2 0 1' // string to search
b = 'junk' // pattern to match 

ra = reverseString(a) // now equals '1 0 2.0 ...knuj fo gnirts tsrif'
rb = reverseString (b) // now equals 'knuj'

// run your regular expression search / replace - search in 'ra' for 'rb'
// put the result in rResult
// and then unreverse the result
// apologies for not knowing the syntax for 'R' regex

[/haiku伪代码]
这就成功了，尽管不是特别优雅

a = 'first string of junk... 0.2 0 1' // string to search
b = 'junk' // pattern to match 

ra = reverseString(a) // now equals '1 0 2.0 ...knuj fo gnirts tsrif'
rb = reverseString (b) // now equals 'knuj'

// run your regular expression search / replace - search in 'ra' for 'rb'
// put the result in rResult
// and then unreverse the result
// apologies for not knowing the syntax for 'R' regex

options(stringsAsFactors = FALSE)


# Search for three consecutive characters of your delimiters, then pull out
# all of the characters after that
# (in parentheses, represented in replace by \\1)
nums <- as.vector(gsub(aa$C1, pattern = "^.*[.,•]{3}\\s*(.*)", replace = "\\1"))

# Use strsplit to break the results apart at spaces and just get the numbers
# Use unlist to conver that into a bare vector of numbers
# Use matrix(, nrow = length(x)) to convert it back into a
# matrix of appropriate length
num.mat <- do.call(rbind, strsplit(nums, split = " "))


# Mash it back together with your original strings
result <- as.data.frame(cbind(aa, num.mat))

# Give it informative names
names(result) <- c("original.string", "num1", "num2", "num3")

选项（stringsAsFactors=FALSE）
#搜索分隔符的三个连续字符，然后拉出
#之后的所有角色
#（括号中，用\\1替换）
nums这将让您在大部分时间内都能做到这一点，并且对于包含逗号的数字不会有任何问题：

# First, use a regex to eliminate the bad pattern.  This regex
# eliminates any three-character combination of periods, commas,
# and big dots (•), so long as the combination is followed by 
# 0-2 spaces and then a digit.
aa.sub <- as.matrix(
  apply(aa, 1, function (x) 
    gsub('[•.,]{3}(\\s{0,2}\\d)', '\\1', x, perl = TRUE)))

# Second: it looks as though you want your data split into columns.
# So this regex splits on spaces that are (a) preceded by a letter, 
# digit, or space, and (b) followed by a digit.  The result is a 
# list, each element of which is a list containing the parts of 
# one of the strings in aa.
aa.list <- apply(aa.sub, 1, function (x) 
  strsplit(x, '(?<=[\\w\\d\\s])\\s(?=\\d)', perl = TRUE))  

# Remove the second element in aa.  There is no space before the 
# first data column in this string.  As a result, strsplit() split
# it into three columns, not 4.  That in turn throws off the code
# below.
aa.list <- aa.list[-2]

# Make the data frame.
aa.list <- lapply(aa.list, unlist)  # convert list of lists to list of vectors
aa.df   <- data.frame(aa.list)      
aa.df   <- data.frame(t(aa.df), row.names = NULL, stringsAsFactors = FALSE) 

#首先，使用正则表达式消除错误模式。这个正则表达式
#消除句点、逗号和，
#和大点（•），只要组合后面是
#0-2个空格，然后是一个数字。
aa.sub您能先搜索并将所有逗号和大点替换为常规点吗？我不认为我能将逗号替换为点，因为数据中包含较大数字的逗号：4500。我忘了在我的帖子里提到那件事。虽然也许我可以用点替换逗号，然后在我消除这些乱七八糟的信息后删除数据中的点。值得注意的是，当我试图从Vim发送此代码时，“大点”给我带来了麻烦-但是从网站复制时，它工作得很好。所以我的流程是在Vim中编辑，粘贴到网站，然后粘贴到我的控制台。。。这不对。看起来代码可能正在将数字4、2、3（从最后一个字符串）分配给数据集中的所有5个字符串。@MarkMiller啊，对不起-我使用的是
aa
矩阵，而不是data.frame。如果您想使用data.frame，您可以这样分配
nums
：
as.vector（gsub（aa$C1，pattern=“^.*[，•]{3}\\s*（.*”，replace=“\\1”））
如果我在第二个字符串的最后一个点和2之间添加一个空格，您可以修改aa.list行来处理它吗？在我的真实数据中，我认为在最后一个点之后总是有一个空格，我只是在创建“aa”时没有意识到。我还可以尝试找出如何修改aa.list.Yes，如果在第二个字符串的最后一个点和之间添加空格，则可以修改第二步中的正则表达式以处理该字符串。这有点棘手，但可行。也就是说，我认为@MattParker有一个更好的主意：首先将每个字符串分为“坏”部分（第一列）和行为良好的部分（数据列）。然后将正则表达式应用于第一列。然后将这两部分重新连接起来。如果这样做，可以使
strsplit
中的正则表达式非常简单。否则，正则表达式将更加复杂。