Regex 从R中的字符串中提取数字模式

我对正则表达式还比较陌生，现在正陷入死胡同。我有一个数据框，其列如下所示：

year1
GMM14_2000_NGVA
GMM14_2001_NGVA
GMM14_2002_NGVA
...
GMM14_2014_NGVA

"(?:_)\d{4}(?:_)"

我试图在字符串的中间提取年份（20002001等）。这是到目前为止我的代码

gsub("[^0-9]","",year1))

它返回数字，但也返回作为字符串一部分的14：

142000
142001

关于如何从模式中排除14，或者如何更有效地提取年份信息，有什么想法吗

---

谢谢

使用以下

gsub

：

s  = "GMM14_2002_NGVA"
gsub("^[^_]*_|_[^_]*$", "", s)

看

正则表达式细分：

匹配

• ^[^]*.

  -0个或更多字符，而不是字符串开头的
  和

• |

  -或

• \u[^\ u]*$

  -a

  \u

  和字符串末尾0个或更多字符，而不是

  \u

并移除它们

作为替代方案

library(stringr)
str_extract(s,"(?<=_)\\d{4}(?=_)")

库（stringr）
str_extract（s），（？使用
stringi
package，以下是一种方法。假设年份为4位数字。由于您指定了数字，这非常简单

library(stringi)

x <- c("GMM14_2000_NGVA", "GMM14_2001_NGVA")

stri_extract_last(x, regex = "\\d{4}")
#[1] "2000" "2001"

base-R中的另一个选项是使用@jazzurro的数据
strsplit
：

x <- c("GMM14_2000_NGVA", "GMM14_2001_NGVA")

vapply(strsplit(x, '_'), function(x) x[2], character(1))
[1] "2000" "2001"

x您可以使用sub

sub(".*_(\\d{4})_.*", "\\1", x)

或

这将提取起始分隔符和结束分隔符之间的所有字符。此处起始分隔符和结束分隔符为下划线

语法：

extract_a(start, end, string)

我从未使用过R，但对regexps有着丰富的经验

惯用的正确方法是使用匹配

对于R，应为：

使用regmatches获取与正则表达式匹配的实际子字符串
作为第一个参数，传递与传递相同的输入
作为第二个参数，传递向量
由regexpr或gregexpr返回。如果从regexpr传递向量
然后，regmatches返回一个包含所有
匹配。如果不匹配，则此向量可能比输入向量短
在某些元素中找到匹配项。如果从
regexpr然后regmatches返回一个具有相同数量
元素作为输入向量。每个元素都是具有
输入向量中对应元素的所有匹配项，或
如果元素没有匹配项，则为NULL

很抱歉，没有机会在R中测试所有这一切。
请注意，gsub中的正则表达式匹配每个非数字的字符，并将其从输入中删除。这就是为什么结果中保留了输入中的所有数字。此正则表达式存在一个潜在问题：因为它不考虑上下文，所以任何最后或前4位的序列都将是extracted.@Stribizev当然可以。看到示例数据中的模式，我决定选择这种方式。如果还有其他模式，这不是办法。感谢您留下评论。：）您也可以使用直接函数
stri\u extract\u last\u regex（x，“\\d+”）
。应该更快，因为它避免了一些错误checks@RichardScriven很长时间了。是的，我同意你的看法！非常感谢你留下这条评论。
extract_a(start, end, string)

>x <- c("abc", "def", "cba a", "aa")
> m <- regexpr("a+", x, perl=TRUE)
> regmatches(x, m)
[1]  "a"  "a"  "aa"

m <- regexpr("\d{4}", year1, perl=TRUE)
regmatches(year1, m)

"(?:_)\d{4}(?:_)"