Question

我正在尝试提取:或;之后，如果存在第二个标点，则在;之前提取字符串，然后删除;之后的所有内容如果存在。目标结果是一个数字。

当前代码可以在:和;之间执行，也可以在:之后执行，但是不能单独处理;或单独处理:。

此外，gsub(|(OF 100); SEE NOTE)无法正常工作，我不确定为什么不排除最初的:并完全需要gsub的原因。

test<-c("Score (ABC): 2 (of 100); see note","Amount of ABC; 30%","Presence of ABC: negative","ABC not tested") 
#works for :/;
toupper((regmatches(toupper(test), gregexpr(":\\s* \\K.*?(?=;)", toupper(test), perl=TRUE))))
#works for :
test<-toupper((regmatches(toupper(test), gregexpr(":\\s* (.*)", toupper(test), perl=TRUE))))
#removes extra characters:
test<-gsub(": |(OF 100); SEE NOTE|%|; ","",test)
#Negative to numeric:
test[grepl("NEGATIVE|<1",test)]<-0
test

预期结果：2 30 0

Answer 1

以下是一些解决方案。

前两个是基数。第一个仅使用非常简单的正则表达式。第二个更短，正则表达式稍微复杂一点。在这两种情况下，如果没有匹配项，我们都会返回NA，但是如果对您很重要，那么之后您可以将NA替换为0（使用ifelse(is.na(x), 0, x)，其中x是NA的答案）。

第三个与第二个几乎相同，但是在gsubfn中使用了捆扎。它返回0而不是NA。

1）read.table 用分号替换所有冒号，并以分号分隔的字段形式读取。选择第二个此类字段，并删除第一个非数字及其后面的所有内容。然后将剩下的转换为数字。

DF <- read.table(text = gsub(":", ";", test), 
  as.is = TRUE, fill = TRUE, sep = ";", strip.white = TRUE)
as.numeric(sub("\\D.*", "", DF$V2))
##[1]  2 30 NA

2）捕获从开头的非冒号或分号字符开始匹配，然后匹配冒号或分号，然后匹配空格，最后捕获数字。返回捕获的数字转换为数字。

strcapture("^[^:;]+[;:] (\\d+)", test, list(num = numeric(0)))$num
##[1]  2 30 NA

3）紧紧使用与（2）中相同的模式将匹配项转换为数字，如果匹配项为空，则返回0。

library(gsubfn)
strapply(test, "^[^:;]+[;:] (\\d+)", as.numeric, simplify = TRUE, empty = 0)
## [1]  2 30  0

Answer 2

另一种方法：

out <- gsub('(^.+?[;:][^0-9]+)(\\d+)(.*$)|^.+', '\\2', test)
out[out == ''] <- 0
as.numeric(out)

## [1] 2  30  0

Answer 3

按照OP的描述（斜体是我的）：

在：或;之后提取字符串。并且在之前;如果存在第二个标点符号，请然后删除;之后的所有内容。（如果存在）。目标结果是一个数字。

我认为其他一些建议可能会忽略该斜体标准。因此，这是OP的测试集，最后带有一个额外条件来测试该测试集：

test<-c( "Score (ABC): 2 (of 100); see note",
         "Amount of ABC; 30%",
         "Presence of ABC: negative",
         "...and before a ; if the second punctuation is present, then remove everything after a ; if present [so 666 should not be returned]")

单线返回请求的结果：

sub( pattern='.+?[:;]\\D*?[^;](\\d*).*?;*.*', 
     replacement='\\1', 
     x=test, perl=TRUE)

与OP的请求匹配的结果：

[1] "2"  "30" ""   ""

如果OP确实想要一个没有找到匹配项的零整数，则设置sub（）替换= '0\\1'并用as.integer()包装，如下所示：

as.integer( gsub( pattern='.+?[:;]\\D*?[^;](\\d*).*?;*.*', 
                  replacement='0\\1', 
                   x=test, perl=TRUE) )

结果：

[1]  2 30  0  0

完全在线R（R 3.3.2）示例：

https://ideone.com/TTuKzG

正则表达式说明

OP只希望在字符串中找到一个匹配项，因此sub()函数可以正常工作。

使用sub()的技术是制作一个匹配所有字符串的模式，但如果满足条件，则使用中间的捕获组捕获零个或多个数字。

模式.+?[:;]\\D*?[^;](\\d*).*?;*.*的读取方式如下

.+?在一个和无限次+之间匹配任意字符（行终止符除外）?越少越好，并根据需要扩展（惰性）
[:;]在列表中的方括号之间匹配单个字符，在这种情况下为:或;
\\D匹配任何非数字字符（等于[^ 0-9]）
*?量词*尽可能在零和无限次数?之间进行匹配，并根据需要扩展（延迟）
[^;] ^帽子作为方括号之间的第一个字符表示：匹配方括号之间的列表中不存在的单个字符，在这种情况下，匹配不包含任何字符的; < / li>
(\d*)尖括号之间的所有内容都是一个捕获组-这是第一个捕获组：\\d*匹配零到无限次之间的一个数字（等于[0-9]），次数不计其数尽可能（贪婪）
;*匹配;字符* 零次至无限次 [so; 不一定要存在但是否存在：这是在第二个定界符之后按OP请求排除任何内容的关键]]
.*在零个和无限次之间匹配任意一个字符*，并尽可能多地匹配（贪婪）[因此将所有内容提取到行尾]

替换= \\1指的是我们模式中的第一个捕获组。我们用捕获组中找到的替换所有与模式匹配的内容。 \\d*不能匹配任何数字，因此如果在我们期望的位置找不到数字，则会返回一个空字符串。

在标点之间提取字符串（如果存在）

3 个答案:

单线返回请求的结果：

与OP的请求匹配的结果：

完全在线R（R 3.3.2）示例：

正则表达式说明