《R数据科学实战：工具详解与案例分析 》 —2.5.3　简易正则表达式创建

2.5.3　简易正则表达式创建

数据集df是笔者从网络上获取的一组英文期刊作者名和年份（具体见表2-27），以此为例，简单演示正则表达式的组合过程。示例代码如下：

> df

表2-27　练习数据集df内容展示

函数str_view/_all可以很直观地反映出数据内部匹配的项目。“.+”组合的意思是匹配除换行符“\n”以外的所有字符，字符至少出现一次，所以全部的字符都被匹配出来。若只希望匹配“.”，则需要使用反斜杠来告知函数，这是因为独立存在的“.”会被解析为任何除换行符以外的字符、字母和数字（见表2-26）。所以第二行代码的意思就是匹配第一个出现的英文句号：

> str_view(df$authors,pattern = ".+")

  D.F. Guinto pp.121-132

  W.T. Bussell and C.M. Triggs pp.23-27

  A.W. Holmes and G. Jiang pp.37-45

> str_view(df$authors,pattern = "\\.")

  D.F. Guinto pp.121-132

  W.T. Bussell and C.M.Triggs pp. 23-27

  A.W. Holmes and G.Jiang pp. 37-45

> str_view_all(df$authors,pattern = "\\.")

  D.F. Guinto pp.121-132

  W.T. Bussell and C.M.Triggs pp. 23-27

  A.W. Holmes and G.Jiang pp. 37-45

匹配所有字母和数字，代码如下：

> str_view_all(df$authors,pattern = "[:alnum:]+")

  D.F. Guinto pp.121-132

  W.T. Bussell and C.M. Triggs pp.23-27

  A.W. Holmes and G. Jiang pp.37-45

小提示

str_view/_all的返回结果会显示在Rstuido的viwer中，而不会显示在console中。

当处理数据较多时，str_view/_all的速度可能会很慢，可以使用str_detect来检测所使用的表达式在数据中是否有匹配。该函数只返回逻辑判断，代码如下：

> str_detect(df$authors,pattern = "\\.")

## [1] TRUE TRUE TRUE

在df中，页码可以被归类为无用信息，所以需要清理掉。下面的代码使用了str_replace来将页码的部分完全替换掉。匹配模式为"pp\\..+[:digit:]{2,3}\\-[:digit:]{2,3}"。分解这个正则表达式：“pp”匹配“pp”；“ \\.”匹配“.”;“.+”代表“pp.”后面的任何字符串；“[:digit:] {2,3}”代表2到3位数字；“\\-”匹配“-”；最后的[:digit:]{2,3}表示数字出现2到3位。

> df$authors <- str_replace(df$authors,pattern = "pp\\..+[:digit:]{2,3}\\-[:digit:]{2,3}",replacement = "")

> df1

处理后的结果显示在表2-28中。

表2-28　去除页码后的演示数据集

更复杂的正则表达式可以参看Garrett Grolemund和Hadley Wickham合著的《R for Data Science》的第14章，或者全面介绍正则表达式的《Mastering Regular Expressions》，Jeffrey E. F. Friedl著。