Question

我从Ronak Shah和akrun（in this post）学到了如何构造一个正则表达式来排除数据框中的每个术语（在我的例子中为alldata），除了那些单词，

^ \ BWORD1 | WORD2 | WORD3 | WORD4 | WORD5 \＆GT;

但由于某些原因，无法理解为什么它会给我

“WORD2”，“WORD3”，NA

而不是

“WORD1 WORD2 WORD5”，“WORD3”，NA

这是我的例子：

library(stringr)
alldata <- data.frame(toupper(c("word1 anotherword word2 word5", "word3", "none")))
names(alldata)<-"columna"
removeex <- c("word1" , "word2"  ,"word3" ,"word4", "word5")
regularexprex <- toupper(paste0("^\\b",paste0(removeex, collapse = "|"), "\\>"))
alldata$columnb <- str_extract(alldata$columna, regularexprex)

我试图在正则表达式的末尾添加+或*，但没有任何效果。

由于我是正则表达式的初学者，我肯定会错过一些东西，有人可以指导我吗？的问候，

Answer 1

您需要将上述代码中的最后两行替换为

> regularexprex <- paste0("(?i)\\s*\\b(?!(?:",paste0(removeex, collapse = "|"), ")\\b)\\w+")
## => "(?i)\\s*\\b(?!(?:word1|word2|word3|word4|word5)\\b)\\w+"
> str_replace_all(alldata$columna, regularexprex, "")
[1] "WORD1 WORD2 WORD5" "WORD3"             ""

首先，toupper()将\b转为\B（非字边界） - 您只需要不区分大小写的匹配（我添加了(?i)修饰符），单词边界不适用于组，仅适用于双方的项目。

此外，您需要的是一个匹配整个字符串的模式，因此.*位于模式的开头和结尾。

替换的最终正则表达式如

(?i)\s*\b(?!(?:word1|word2|word3|word4|word5)\b)\w+

请参阅regex demo

如果您的条目包含换行符，则还应添加s修饰符：(?i) - ＆gt; (?s)。

<强>详情：

(?i) - 不区分大小写的修饰符（适用于PCRE和ICU正则表达式）
\s* - 0+ whitespaces
\b - 领先的单词边界
(?!(?:word1|word2|word3|word4|word5)\b) - 单词不能等于word1等。
\w+ - 1个单词字符（字母，数字或下划线）。

使用R，如何在这种情况下正确使用str_extract？

1 个答案: