Acquisizione di gruppi di espressioni regolari in R con più gruppi di acquisizione

In R, è possibile estrarre l'acquisizione di gruppo da una corrispondenza di espressioni regolari? Per quanto ne so, nessuno di grep, grepl, regexpr, gregexpr, sub, o gsubrestituire le catture di gruppo.

Ho bisogno di estrarre coppie chiave-valore da stringhe codificate in questo modo:

\((.*?) :: (0\.[0-9]+)\)

Posso sempre eseguire più grep full-match o eseguire elaborazioni esterne (non R), ma speravo di poter fare tutto all'interno di R. C'è una funzione o un pacchetto che fornisce tale funzione per farlo?

str_match(), dal stringrpacchetto, lo farà. Restituisce una matrice di caratteri con una colonna per ogni gruppo nella partita (e una per l'intera partita):

> s = c("(sometext :: 0.1231313213)", "(moretext :: 0.111222)")
> str_match(s, "\\((.*?) :: (0\\.[0-9]+)\\)")
     [,1]                         [,2]       [,3]          
[1,] "(sometext :: 0.1231313213)" "sometext" "0.1231313213"
[2,] "(moretext :: 0.111222)"     "moretext" "0.111222"    

gsub fa questo, dal tuo esempio:

gsub("\\((.*?) :: (0\\.[0-9]+)\\)","\\1 \\2", "(sometext :: 0.1231313213)")
[1] "sometext 0.1231313213"

è necessario eseguire il doppio escape delle \ s tra virgolette, quindi funzionano per la regex.

Spero che questo ti aiuti.

Prova regmatches()e regexec():

regmatches("(sometext :: 0.1231313213)",regexec("\\((.*?) :: (0\\.[0-9]+)\\)","(sometext :: 0.1231313213)"))
[[1]]
[1] "(sometext :: 0.1231313213)" "sometext"                   "0.1231313213"

gsub () può farlo e restituire solo il gruppo di cattura:

Tuttavia, affinché funzioni, è necessario selezionare esplicitamente gli elementi al di fuori del proprio gruppo di cattura, come menzionato nella guida gsub ().

(...) gli elementi dei vettori di caratteri 'x' che non vengono sostituiti verranno restituiti invariati.

Quindi, se il testo da selezionare si trova nel mezzo di una stringa, l'aggiunta di. * Prima e dopo il gruppo di cattura dovrebbe consentirti di restituirlo solo.

gsub(".*\\((.*?) :: (0\\.[0-9]+)\\).*","\\1 \\2", "(sometext :: 0.1231313213)") [1] "sometext 0.1231313213"

Mi piacciono le espressioni regolari compatibili con perl. Probabilmente lo fa anche qualcun altro ...

Ecco una funzione che esegue espressioni regolari compatibili con perl e corrisponde alla funzionalità delle funzioni in altri linguaggi a cui sono abituato:

regexpr_perl <- function(expr, str) {
  match <- regexpr(expr, str, perl=T)
  matches <- character(0)
  if (attr(match, 'match.length') >= 0) {
    capture_start <- attr(match, 'capture.start')
    capture_length <- attr(match, 'capture.length')
    total_matches <- 1 + length(capture_start)
    matches <- character(total_matches)
    matches[1] <- substr(str, match, match + attr(match, 'match.length') - 1)
    if (length(capture_start) > 1) {
      for (i in 1:length(capture_start)) {
        matches[i + 1] <- substr(str, capture_start[[i]], capture_start[[i]] + capture_length[[i]] - 1)
      }
    }
  }
  matches
}

È così che ho finito per aggirare questo problema. Ho usato due regex separate per abbinare il primo e il secondo gruppo di acquisizione ed eseguire due gregexprchiamate, quindi estrarre le sottostringhe corrispondenti:

regex.string <- "(?<=\\().*?(?= :: )"
regex.number <- "(?<= :: )\\d\\.\\d+"

match.string <- gregexpr(regex.string, str, perl=T)[[1]]
match.number <- gregexpr(regex.number, str, perl=T)[[1]]

strings <- mapply(function (start, len) substr(str, start, start+len-1),
                  match.string,
                  attr(match.string, "match.length"))
numbers <- mapply(function (start, len) as.numeric(substr(str, start, start+len-1)),
                  match.number,
                  attr(match.number, "match.length"))

Soluzione con strcaptureda utils:

x <- c("key1 :: 0.01",
       "key2 :: 0.02")
strcapture(pattern = "(.*) :: (0\\.[0-9]+)",
           x = x,
           proto = list(key = character(), value = double()))
#>    key value
#> 1 key1  0.01
#> 2 key2  0.02

Come suggerito nel stringrpacchetto, questo può essere ottenuto utilizzando str_match()o str_extract().

Adattato dal manuale:

library(stringr)

strings <- c(" 219 733 8965", "329-293-8753 ", "banana", 
             "239 923 8115 and 842 566 4692",
             "Work: 579-499-7527", "$1000",
             "Home: 543.355.3679")
phone <- "([2-9][0-9]{2})[- .]([0-9]{3})[- .]([0-9]{4})"

Estrazione e combinazione dei nostri gruppi:

str_extract_all(strings, phone, simplify=T)
#      [,1]           [,2]          
# [1,] "219 733 8965" ""            
# [2,] "329-293-8753" ""            
# [3,] ""             ""            
# [4,] "239 923 8115" "842 566 4692"
# [5,] "579-499-7527" ""            
# [6,] ""             ""            
# [7,] "543.355.3679" ""   

Indicare i gruppi con una matrice di output (siamo interessati alle colonne 2+):

str_match_all(strings, phone)
# [[1]]
#      [,1]           [,2]  [,3]  [,4]  
# [1,] "219 733 8965" "219" "733" "8965"
# 
# [[2]]
#      [,1]           [,2]  [,3]  [,4]  
# [1,] "329-293-8753" "329" "293" "8753"
# 
# [[3]]
#      [,1] [,2] [,3] [,4]
# 
# [[4]]
#      [,1]           [,2]  [,3]  [,4]  
# [1,] "239 923 8115" "239" "923" "8115"
# [2,] "842 566 4692" "842" "566" "4692"
# 
# [[5]]
#      [,1]           [,2]  [,3]  [,4]  
# [1,] "579-499-7527" "579" "499" "7527"
# 
# [[6]]
#      [,1] [,2] [,3] [,4]
# 
# [[7]]
#      [,1]           [,2]  [,3]  [,4]  
# [1,] "543.355.3679" "543" "355" "3679"

Questo può essere fatto utilizzando il pacchetto unglue , prendendo l'esempio dalla risposta selezionata:

# install.packages("unglue")
library(unglue)

s <- c("(sometext :: 0.1231313213)", "(moretext :: 0.111222)")
unglue_data(s, "({x} :: {y})")
#>          x            y
#> 1 sometext 0.1231313213
#> 2 moretext     0.111222

Oppure partendo da un data frame

df <- data.frame(col = s)
unglue_unnest(df, col, "({x} :: {y})",remove = FALSE)
#>                          col        x            y
#> 1 (sometext :: 0.1231313213) sometext 0.1231313213
#> 2     (moretext :: 0.111222) moretext     0.111222

puoi ottenere la regex grezza dal modello unglue, opzionalmente con la cattura denominata:

unglue_regex("({x} :: {y})")
#>             ({x} :: {y}) 
#> "^\\((.*?) :: (.*?)\\)$"

unglue_regex("({x} :: {y})",named_capture = TRUE)
#>                     ({x} :: {y}) 
#> "^\\((?<x>.*?) :: (?<y>.*?)\\)$"

Maggiori informazioni: https://github.com/moodymudskipper/unglue/blob/master/README.md