Question

我有这个示例数据框：

address <- c("11537 W LARKSPUR RD EL MIRAGE 85335", "6702 E CPT DREYFUS SCOTTSDALE 85254", "114 S PUEBLO ST GILBERT 85233", "16981 W YOUNG ST SURPRISE 85388")
person <- c("Maria", "Jose", "Adan", "Eva")

my_address <- tibble(person, address)

我需要从city列中提取address。城市可以由1个字或2个字组成，但它们始终位于包含 5位数字 的邮政编码附近。

从数据框中，我想在新列：city
中获得“ EL MIRAGE”，“ SCOTTSDALE”和“ GILBERT”

重要提示：

城市总是位于2或3个字母词之后，例如：ST，AVE，RD。

例如，来自：“ 16981 W YOUNG ST SURPRISE 85388”。我想获得“ ST”之后的惊喜。

所以，我正在尝试此正则表达式：

my_address$city <-gsub("(.*)([a-zA-Z])([0-9]{5})(.*)", "\\2", my_address$address)

但是它返回列中的所有文本，而不是所需的城市。另外，我注意到我没有指示它在5位数字之前检查1或2个单词，所以它只会提取1个单词？

更新1：

string1 <- "114 S PUEBLO ST GILBERT 85233"
sapply(stringr::str_extract_all(string1,"\\w{4,}"),"[",3)

返回：85233，应为GILBERT。

Answer 1

通常更喜欢使用一个衬管，尽管这似乎过于复杂，并且需要在“ SURPRISE”之前删除“ ST”的另一步骤。假设一切都以“ ST”开头，就已经完成了。

 library(stringr)
 new_s<-unlist(str_extract_all(my_address$address,"\\w{2,} \\w{3,}"))
 newer_s<-str_remove_all(new_s,"^\\w{3}.*\\D$")
 newer_s<-str_remove_all(newer_s,"\\s.*\\d")
 res<-str_remove_all(newer_s,"^ST ")
 res[res==""]<-NA 
 my_address$city<-res[complete.cases(res)]

结果：

 my_address
# A tibble: 4 x 3
#  person address                             city      
#  <chr>  <chr>                               <chr>     
#1 Maria  11537 W LARKSPUR RD EL MIRAGE 85335 EL MIRAGE 
#2 Jose   6702 E CPT DREYFUS SCOTTSDALE 85254 SCOTTSDALE
#3 Peter  16981 W YOUNG ST SURPRISE 85388     SURPRISE  
#4 Paul   114 S PUEBLO ST GILBERT 85233       GILBERT

数据：

address <- c("11537 W LARKSPUR RD EL MIRAGE 85335", "6702 E CPT DREYFUS SCOTTSDALE 85254",
             "16981 W YOUNG ST SURPRISE 85388","114 S PUEBLO ST GILBERT 85233")
person <- c("Maria", "Jose","Peter","Paul")

my_address <- tibble::tibble(person, address)

Answer 2

这种dplyr + stringr / tidyverse解决方案基于以下事实：您知道2-3个字母词在城市之前是什么...

# vector with  2-3 letter words before a city?
v.before <- c("ST", "RD", "AVE")
#with this vector, we can build an 'or'-pattern for a regex    

library( dplyr )
library( stringr )
data.frame( person, address) %>% 
  mutate( place = stringr::str_extract( address, paste0("(?<=", paste0(v.before, collapse = " |" ), " ).*(?= [0-9]{5})") ) ) %>%
  #no match found?, then the city is the second last word from address
  mutate( place = ifelse( is.na( place ), stringr::word(address, -2), place))

#   person                             address      place
# 1  Maria 11537 W LARKSPUR RD EL MIRAGE 85335  EL MIRAGE
# 2   Jose 6702 E CPT DREYFUS SCOTTSDALE 85254 SCOTTSDALE
# 3   Adan       114 S PUEBLO ST GILBERT 85233    GILBERT
# 4    Eva     16981 W YOUNG ST SURPRISE 85388   SURPRISE

如何在n位数字前提取1或2个单词？

2 个答案: