r - R:基于条件的正则表达式首次出现

我试图通过使用3个字符后的第一个空格来分割字符串。这是我的代码:

string <- c("Le jour la nuit", "Les jours les nuits")
part1 <- sub("(\\S{3,})\\s?(.*)", "\\1", string)
part2 <- sub("(\\S{3,})\\s?(.*)", "\\2", string)

# output
> part1
[1] "Le jour" "Les"
> part2
[1] "Le la nuit"      "jours les nuits"

对于第一部分，它完全按要求工作。但是，第二部分并非如此:part2[1]应该是la nuit而不是Le la nuit。

我不确定如何实现这一目标，并感谢您提供一些指导。

最佳答案

不确定您真正想要的是什么，但是根据您的要求，您可以使用

^(.{3,}?)(?:(?<!,)\\s)+(.*)

这说:

^              # start of the string
(.{3,}?)       # capture 3+ characters lazily, up to...
(?:(?<!,)\\s)+ # 1+ whitespaces that must not be preceeded by a comma
(.*)           # capture the rest of the string

在R中:

string <- c("Le jour la nuit", "Les jours les nuits", "les, jours les nuits")
(part1 <- sub("^(.{3,}?)(?:(?<!,)\\s)+(.*)", "\\1", string, perl = T))
(part2 <- sub("^(.{3,}?)(?:(?<!,)\\s)+(.*)", "\\2", string, perl = T))

屈服

[1] "Le jour"    "Les"        "les, jours"

和

[1] "la nuit"         "jours les nuits" "les nuits"

结果可能需要dataframe，如果需要，可以为自己定义一个小函数(使用sapply和一些逻辑):

make_df <- function(text) {
  parts <- sapply(text, function(x) {
    m <- regexec("^(.{3,}?)(?:(?<!,)\\s)+(.*)", x, perl = T)
    groups <- regmatches(x, m)
    c(groups[[1]][2], groups[[1]][3])
  }, USE.NAMES = F)
  (setNames(as.data.frame(t(parts), stringsAsFactors = F), c("part1", "part2")))
}

(df <- make_df(string))

这将产生string <- c("Le jour la nuit", "Les jours les nuits", "les, jours les nuits", "somejunk"):

       part1           part2
1    Le jour         la nuit
2        Les jours les nuits
3 les, jours       les nuits
4       <NA>            <NA>