R 正则表达式回顾

Question

我有一个填充以下格式字符串的向量：

向量的第一个条目如下所示：

199719982001
199719982002
199719982003
199719982003

对于第一个条目，我们有：year1 = 1997，year2 = 1998，id1 = 2，id2 = 001。

我想编写一个正则表达式来提取year1， id1 和 id2 中不为零的数字。因此，对于第一个条目，正则表达式应输出：199721。

我尝试使用 stringr 包执行此操作，并创建了以下正则表达式：

"^\\d{4}|\\d{1}(?<=\\d{3}$)"

以提取year1和id1，但是当使用lookbehind时，我收到“无效的正则表达式”错误。这让我有点困惑，R 不能处理前瞻和后瞻吗？

Answer 1

既然这是固定格式，为什么不使用 substr 呢？ year1 使用 substr(s,1,4) 提取，id1 使用 substr(s,9,9)< 提取/code> 和 id2 为 as.numeric(substr(s,10,13))。在最后一个例子中，我使用 as.numeric 来去掉零。

Answer 2

您将需要使用 base 包中的 gregexpr。这有效：

> s <- "199719982001"
> gregexpr("^\\d{4}|\\d{1}(?<=\\d{3}$)",s,perl=TRUE)
[[1]]
[1]  1 12
attr(,"match.length")
[1] 4 1
attr(,"useBytes")
[1] TRUE

请注意 perl=TRUE 设置。有关更多详细信息，请参阅 ?regex。

从输出来看，您的正则表达式并没有捕获 id1 。

Answer 3

您可以使用子。

sub("^(.{4}).{4}(.{1}).*([1-9]{1,3})$","\\1\\2\\3",s)