Question

我正在尝试清理存储在R Data Frame列中的一些小字符串（1-3个字母）。具体来说，假设下一个R脚本：

df = data.frame( "original" = c("ABCDE FG H",
                            "IJKL MN OPQRS", 
                            "TUV WX YZ AAAA"))
df$filter1 = gsub("(^|\\s)[A-Z]{1,2}($|\\s)", " ", df$original)
df$filter2 = gsub("\\b[A-Z]{1,2}\\b", " ", df$original)

> df

        original |    filter1 |    filter2  |
1     ABCDE FG H |    ABCDE H |    ABCDE    |
2  IJKL MN OPQRS | IJKL OPQRS | IJKL   OPQRS|
3 TUV WX YZ AAAA | TUV YZ AAAA|  TUV   AAAA |

我不明白为什么第一个过滤器(^|\\s)[A-Z]{1,2}($|\\s)不能替代＆＃34; H＆＃34;在第一行或＆＃34; YZ＆＃34;在第三个。我希望使用\\b[A-Z]{1,2}\\b作为过滤器（filter2列）的结果相同。请不要担心多个空格，这对我来说并不重要（除非这是问题所在：）。）

我认为问题在于＆＃34;全球性＆＃34;操作，它是否，如果它发现第一个没有替换第二个，但如果我做下一个替换它不是真的：

> gsub("A", "X", "AAAABBBBCCCDDDDAAAAAAAEEE")
[1] "XXXXBBBBCCCDDDDXXXXXXXEEE"

那么，为什么结果不同？

Answer 1

关键是Handler BobId只能匹配非重叠的字符串。 gsub是第一个预期匹配， FG 是第二个，您可以看到这些字符串重叠，因此， H消耗"(^|\\s)[A-Z]{1,2}($|\\s)"之后的尾随空格{1}}，FG与模式不匹配。

看：从左到右分析H。表达式与ABCDE FG H匹配，正则表达式索引在 FG 之前。只有这封信匹配，但H需要一个空格或字符串的开头 - 此位置没有。

To＆＃34; fix＆＃34;这个和使用相同的逻辑，您可以使用PCRE正则表达式(^|\s)与 lookarunds ：

gsub

或

df$filter1 = gsub("(^|\\s)[A-Z]{1,2}(?=$|\\s)", " ", df$original, perl=TRUE)

如果您需要实际使用（删除）空格，只需在（或/和之后）之前添加df$filter1 = gsub("(?<!\\S)[A-Z]{1,2}(?!\\S)", " ", df$original, perl=TRUE)。

第二个表达式\\s*包含单词边界，它们是不使用文本的零宽度断言，因此，正则空间引擎可以匹配"\\b[A-Z]{1,2}\\b"和FG，因为空格不被消耗。

R中正则表达式中的（^ | \\ s）（[A-Z] {1,3}）（\\ s | $）和\\ b [A-Z] {1,2} \\ b之间的差异

1 个答案: