gsub用模式匹配代码而不是特定的字符串变量替换字符串

Question

我有一长串要标准化的文件。字符串的不同部分由下划线分隔。但是，创建了大量文件时，数字（唯一ID）和单个字母字符之间没有下划线。每个文件的特定变量将不同，但模式相同。如何在其中添加_？

我尝试过gsub。它正确地选择了模式（仅更改需要更改的字符串），但是替换是模式匹配代码。

x<- c("A12_SITE_1234_J_vvv.csv","A12_SITA_1234J_vvv.csv", "A12_SITE_1678_H_vvv.csv", "A12_SITE_145C_vvv.csv")

z<- gsub(".*[0-9][A-Z]", ".*[0-9]\\_[A-Z]", x)

预期结果：

"A12_SITE_1234_J_vvv.csv","A12_SITA_1234_J_vvv.csv", "A12_SITE_1678_H_vvv.csv", "A12_SITE_145_C_vvv.csv"

当前结果：

"A12_SITE_1234_J_vvv.csv" ".*[0-9]_[A-Z]_vvv.csv"   "A12_SITE_1678_H_vvv.csv" ".*[0-9]_[A-Z]_vvv.csv"

Answer 1

我们可以使用正则表达式环视

sub("(?<=[0-9])(?=[A-Z])", "_", x, perl = TRUE)
#[1] "A12_SITE_1234_J_vvv.csv" "A12_SITA_1234_J_vvv.csv" 
#[3] "A12_SITE_1678_H_vvv.csv" "A12_SITE_145_C_vvv.csv" 

---

或与捕获组（(..)）一起捕获模式，然后在替换中使用捕获组的后向引用（\\1, \\2）

sub("([0-9])([A-Z])", "\\1_\\2", x, perl = TRUE)

---

在OP的代码中，未捕获模式.*（任何字符）后跟数字（[0-9]）和字母（[A-Z]），因此在模式中丢失替代。另外，在替换中，如果我们使用[0-9]，它将被当作文字字符串

Answer 2

在替换模式中使用capturing group和backrefences（注意，替换模式不能是正则表达式模式，只能使用正则表达式搜索某些文本）：

> sub("(.*[0-9])([A-Z])", "\\1_\\2", x)
[1] "A12_SITE_1234_J_vvv.csv" "A12_SITA_1234_J_vvv.csv" "A12_SITE_1678_H_vvv.csv" "A12_SITE_145_C_vvv.csv" 

请参见R online demo和regex demo。

模式详细信息

• (.*[0-9])-组1（\1）：最多0个字符，最多包含一个数字，包括一个数字
• ([A-Z])-第2组（\2）：大写ASCII字母。