Question

此问题的原始标题为：R Regex for word boundary excluding space.它反映了我处理问题的方式。但是，这是对我的特定问题的更好解决方案。只要使用特定的分隔符来分隔“单元格”中的项目

这必须非常简单，但是我碰到了砖墙。我有一个dataframe列，其中每个单元格（行）都是用逗号分隔的项目列表。我想找到具有特定项目的行。

df<-data.frame( nms=  c("XXXCAP,XXX CAPITAL LIMITED" , "XXX,XXX POLYMERS LIMITED, 3455" , "YYY,XXX REP LIMITED,999,XXX" ), 
        b = c('A', 'X', "T"))

                             nms b
1     XXXCAP,XXX CAPITAL LIMITED A
2 XXX,XXX POLYMERS LIMITED, 3455 X
3    YYY,XXX REP LIMITED,999,XXX T

我想搜索包含项目XXX的行。第2行和第3行应匹配。第1行的字符串XXX是较大字符串的一部分，显然不应该匹配。

但是，由于第1行中的XXX由两边的空格隔开，所以我很难用\\b或[[:<:]]过滤掉

grep("\\bXXX\\b",df$nms, value = F) #matches 1,2,3

当然最简单的方法是strsplit()，但我想避免这样做。欢迎任何有关性能的建议。

Answer 1

当\b不起作用时，问题通常出在“整个单词”的定义上。

word boundary可以出现在以下三个位置之一：

如果字符串中的第一个字符是单词字符，则在字符串中第一个字符之前。
如果字符串中的最后一个字符是单词字符，则在字符串的最后一个字符之后。
字符串中的两个字符之间，其中一个是单词字符，另一个不是单词字符。

似乎您只想在逗号或字符串的开头/结尾之间匹配一个单词。

您可以使用PCRE正则表达式（请注意perl=TRUE参数）

(?<![^,])XXX(?![^,])

请参见regex demo（由于该表达式是具有单个多行字符串的演示，因此该表达式已“转换为”以使用正视环法。）

详细信息

(?<![^,])（等于(?<=^|,)）-字符串开头或逗号
XXX-一个XXX字
(?![^,])（等于(?=$|,)）-字符串结尾或逗号

R演示

> grep("(?<![^,])XXX(?![^,])",df$nms, value = FALSE, perl=TRUE)
## => [1] 2 3

等效的TRE正则表达式如下

> grep("(?:^|,)XXX(?:$|,)",df$nms, value = FALSE)

请注意，此处non-capturing groups用于匹配字符串的开头或,（请参见(?:^|,)）和字符串结尾或,（请参见（{{ 1}}）。

Answer 2

这也许是一个简单化的解决方案，但是它适用于您提供的示例：

library(stringr)

df$nms %>%
  str_replace_all('\\s', '') %>% # Removes all spaces, tabs, newlines, etc
  str_detect('(^|,)XXX(,|$)')    # Detects string XXX surrounded by comma or beginning/end

[1] FALSE  TRUE  TRUE

此外，请看看RStudio在正则表达式上制作的this速查表-编写得非常好并且非常有用（我有疑问时会继续讲到它）。

R正则表达式，用于匹配列/向量中用逗号分隔的部分

2 个答案: