从 R 中的第一个、第二个和第三个括号中提取文本

Question

我在 R 中有以下数据框：

text <- c("[AAA]xxxx", "[AAA] yyyrrr", "[AAA][bbb] bla", "[AAA][bbb] cccvvv", 
      "[AAA][bbb] bla", "[AAA][bbb][CcC] bla", "[AAA][bbb][CcC] xbbpr") 
value <- rnorm(7)
df <- data.frame(text, value)

我想在我的数据框中分别为第一对、第二对和第三对括号中包含的文本创建三个新变量。

所需的输出如下所示：

                  text       value Bracket1 Bracket2 Bracket3
1             [AAA]xxxx -0.01819034      AAA       NA       NA
2          [AAA] yyyrrr -0.24808460      AAA       NA       NA
3        [AAA][bbb] bla -0.36293689      AAA      bbb       NA
4     [AAA][bbb] cccvvv  1.27757055      AAA      bbb       NA
5        [AAA][bbb] bla -0.46889715      AAA      bbb       NA
6   [AAA][bbb][CcC] bla  0.07105410      AAA      bbb      CcC
7 [AAA][bbb][CcC] xbbpr -0.26603845      AAA      bbb      CcC

我无法从第一个括号中提取文本，更不用说第二个或第三个了。

比如我试过：

    df$Bracket1 <- gsub('.*\[(.*)\].*', '\1', text)

和

    df$Bracket1 <- sub('.*\[(.*)\].*', '\1', text)

但是这些都产生：

                   text       value    Bracket1
1             [AAA]xxxx -0.01819034         AAA
2          [AAA] yyyrrr -0.24808460         AAA
3        [AAA][bbb] bla -0.36293689         bbb
4     [AAA][bbb] cccvvv  1.27757055         bbb
5        [AAA][bbb] bla -0.46889715         bbb
6   [AAA][bbb][CcC] bla  0.07105410         CcC
7 [AAA][bbb][CcC] xbbpr -0.26603845         CcC

我是正则表达式的新手，也是 R 的新手，在此先感谢您的任何建议。

Answer 1

这是一个基于 gsub 的解决方案：如果我们有匹配项，则保留第 1 组文本，如果找不到带括号的匹配项，则匹配整个字符串并替换为空第 1 组。

df$Bracket1 <- gsub('(?:.*?\[([^][]*)\].*|.*)', '\1', text, perl=T)
df$Bracket2 <- gsub('(?:.*?\[[^][]*\].*?\[([^][]*)\].*|.*)', '\1', text, perl=T)
df$Bracket3 <- gsub('(?:.*?\[[^][]*\].*?\[[^][]*\].*?\[([^][]*)\].*|.*)', '\1', text, perl=T)

参见IDEONE demo。

Answer 2

这是使用 gregexpr 和 regmatches 的方法：

mtchs <- regmatches(df$text, gregexpr("\[\w+\]", df$text))

然后将输出重组为所需的结构：

library(plyr) # for rbind.fill
df[,3:5] <- do.call(rbind.fill,
            lapply(mtchs, function(xx) {x <- data.frame(matrix(xx, nrow=1))
                                        names(x) <- paste0("Bracket", 1:length(xx))
                                        x}))
# or using dplyr's bind_row:
library(dplyr)
df[,3:5] <- bind_rows(lapply(mtchs, function(xx) {x <- data.frame(matrix(xx, nrow=1))
                    names(x) <- paste0("Bracket", 1:length(xx))
                    x}))
# or using data.table's rbindlist:
library(data.table)
df[,3:5] <-  rbindlist(lapply(mtchs, function(xx) {x <- data.frame(matrix(xx, nrow=1))
                    names(x) <- paste0("Bracket", 1:length(xx))
                    x}), fill=TRUE)

如果需要，您可以更改 regmatches 中的正则表达式以去掉括号：

mtchs <- regmatches(df$text, gregexpr("(?<=\[)\w+(?=\])", df$text, perl=TRUE))

Answer 3

使用 data.table 包中的 transpose()：

require(data.table) # v1.9.6+
dt = data.table(text, value) # text is character
vals = regmatches(dt$text, gregexpr("(?<=\[)[[:alpha:]]+(?=])", dt$text, perl=TRUE))

dt[, paste0("Bracket", 1:3) := transpose(vals)]
#                     text      value Bracket1 Bracket2 Bracket3
# 1:             [AAA]xxxx -0.9285790      AAA       NA       NA
# 2:          [AAA] yyyrrr  0.7928830      AAA       NA       NA
# 3:        [AAA][bbb] bla  0.1177066      AAA      bbb       NA
# 4:     [AAA][bbb] cccvvv  1.1818542      AAA      bbb       NA
# 5:        [AAA][bbb] bla -0.4476371      AAA      bbb       NA
# 6:   [AAA][bbb][CcC] bla  2.2992593      AAA      bbb      CcC
# 7: [AAA][bbb][CcC] xbbpr  2.1161453      AAA      bob      CcC

从 R 中的第一个、第二个和第三个括号中提取文本

Extract text from first, second and third brackets in R

regex

text

r

extract