Question

在R中，我在数据框中有一列数据，每个元素看起来像这样：

Bacteria;Bacteroidetes;Bacteroidia;Bacteroidales;Marinilabiaceae

我想要的是最后一个分号之后的部分，我一直在尝试使用'sub'并复制现有列并创建一个只保留结尾的新列。从本质上讲，我想要这个（属）：

Marinilabiaceae

代码片段如下所示：

mydata$new_column<- sub("([\\s\\S]*;)", "", mydata$old_column)

在这种情况下，由于R的转义序列，我使用的是\\而不是\。 sub替换了我不想要的部分，并将其更新为新列。我已经在这样的地方多次测试了Regex：http://regex101.com/r/kS7fD8/1

然而，我仍在苦苦挣扎，因为结果非常奇怪。现在我的新专栏中填充了有机体的域而不是属Bacteria。

我该如何解决这个问题？是否有任何易于理解的资源可以更多地了解R的Regex格式？

Answer 1

让它贪婪并从所需的索引中获取匹配的组。

       (.*);(.*)
             ^^^------- Marinilabiaceae

这是regex101 demo

要获得第一个单词，请使用 Non-Greedy 方式

             (.*?);(.*)
Bacteria -----^^^

这是demo

Answer 2

从简单的字符串开始，

string <- "Bacteria;Bacteroidetes;Bacteroidia;Bacteroidales;Marinilabiaceae"

您可以在"^(.*);"

的通话中使用sub删除最后一个分号的所有内容

> sub("^(.*);", "", string)
# [1] "Marinilabiaceae"

您还可以将strsplit与tail

一起使用

> tail(strsplit(string, ";")[[1]], 1)
# [1] "Marinilabiaceae"

您的正则表达式([\\s\\S]*;)主要不会起作用，因为\\s匹配任何空格字符，并且您的字符串不包含任何空格。我认为它在regex101网站上有效，因为该正则表达式测试器默认为pcre (php)（参见＆＃34; Flavor＆＃34;在左上角），R regex语法略有不同。在许多情况下，R需要额外的反斜杠转义字符。作为参考，this R text processing wiki以前曾多次派上用场。

Answer 3

在最后一次之后提取所有内容;到你可以使用的行的末尾：

[^;]*?$

如何在R中正确格式化此正则表达式搜索？它在在线测试仪中工作正常

3 个答案: