Question

我正在做一些字符串清理工作，而我正在解决一个问题。我需要清理大约2,000,000行地址数据。这是我编写的一个小样本：

addresses <- c('123 Alphabet Road, Denver, CO', '% Andrew L. Doe P.O. BOX 123, New York, NY', '19 Serious Road, Providence, RI', '% Johnny Cupcakes 1947 Numbers Avenue, Boston, MA')

我想保留第一个和第三个元素。对于第二和第四个元素，我想在“P.O”或1947年之前删除所有内容。

虽然只是删除所有字符，直到我点击数字或“P.O.”可以工作，我担心我的一些地址可能与其他字母字符一致。

在我看来，我的方法必须遵循以下步骤：

1）在字符串的开头搜索"%"："^\\%" 2）将包含子"%"一直替换为第一个"P\\.O\\."或[:digit:]

我仍在努力弄清楚背后/前方。我怀疑我必须混合使用两者才能获得：

c('123 Alphabet Road, Denver, CO', 'P.O. BOX 123, New York, NY', '19 Serious Road, Providence, RI', '1947 Numbers Avenue, Boston, MA')

非常感谢任何帮助！

此致安迪

Answer 1

也许

gsub("^\\%.*?, +", "", addresses)
#output:
[1] "123 Alphabet Road, Denver, CO"   "P.O. BOX 123, New York, NY"      "19 Serious Road, Providence, RI"
[4] "1947 Numbers Avenue, Boston, MA

从字符串开头的％删除，直到第一个逗号和逗号后面的空格为止。

编辑：更严格的例子：

使用前瞻：

gsub("^\\%.*?(?=(P\\.O\\.|\\d))", "", addresses, perl = T)
#output
[1] "123 Alphabet Road, Denver, CO"   "P.O. BOX 123, New York, NY"      "19 Serious Road, Providence, RI"
[4] "1947 Numbers Avenue, Boston, MA"

^\\% - 在字符串
的开头匹配％ .*? - 懒惰匹配任何字符（进一步匹配字符串所需的最少） - 尝试没有它（而不是1947年只剩下7个，因为正则表达式本质上是贪婪的）
?=正向前瞻（零长度断言） - 在括号中 (P\\.O\\.|\\d) - P.O.或数字
perl = T - 能够使用lookahead / lookbehind

使用捕获组：

gsub("^\\%.*?(\\d|P\\.O\\.)", "\\1", addresses, perl = T)
#output
[1] "123 Alphabet Road, Denver, CO"   "P.O. BOX 123, New York, NY"      "19 Serious Road, Providence, RI"
[4] "1947 Numbers Avenue, Boston, MA"

^\\%.*? - 与上述相同 () - 捕获组 - 我们稍后可以使用\\1引用其中的符号，最多允许9个捕获组\\1 ... \\9 \\d|P\\.O\\.数字或P.O.

R：删除字符后但在另一个字符之前的子字符串

1 个答案: