使用正则表达式选择性地提取R中的子字符串

Question

假设我有以下字符串：

string <- c(
"DATE_OF_BIRTH_B1",
"HEIGHT_BABY2",
"WEIGHT_BABY_3",
"OTHER_CONDITION_4",
"OTHER_OPERATION_5"
)

如何在gsub()中使用正则表达式提取：

• 除了尾部下划线之外的所有内容，直到前三个字符串中的数字后缀
• 最后两个字符串中没有任何内容

换句话说，我预期的gsub()输出是：

"DATE_OF_BIRTH_B", "HEIGHT_BABY", "WEIGHT_BABY"

我设法使用gsub("(.+_B[A-Z]*)_?[0-9]", "\1", string)从前三个字符串中提取所需的子字符串，但未能排除最后两个字符串。

有人能帮我纠正和改进我的正则表达式吗？非常感谢！

Answer 1

删除OTHER或后缀。

gsub("^OTHER.*|_?[0-9]+$", "", string)
#> [1] "DATE_OF_BIRTH_B"
#> [2] "HEIGHT_BABY"    
#> [3] "WEIGHT_BABY"    
#> [4] ""               
#> [5] ""  

或者，如果您特别想要捕获组，请使用非贪婪捕获。

gsub("(OTHER.*)?(.*?)_?[0-9]", "\2", string)
#> [1] "DATE_OF_BIRTH_B"
#> [2] "HEIGHT_BABY"    
#> [3] "WEIGHT_BABY"    
#> [4] ""               
#> [5] "" 

Answer 2

如果您期望gsub(或sub，通常在这种情况下，您真的应该使用sub，因为您只期望一个替换操作(返回替换结果或空字符串，则需要遵循以下技术：

sub("...(<what_you_want_to_extract>)...|.+", "\1", x)

也就是说，您的正则表达式位于|交替运算符之前，后面跟着与尽可能多的一个或多个字符匹配的.+。

因此，在您的情况下，假设您的regex正是您所需要的并且满足您的所有要求，则可以使用

> res <- sub("(.+_B[A-Z]*)_?[0-9]|.+", "\1", string)
> res
[1] "DATE_OF_BIRTH_B" "HEIGHT_BABY"     "WEIGHT_BABY"     ""                ""      

如果你需要删除空项目，只需使用

> res[nzchar(res)]
[1] "DATE_OF_BIRTH_B" "HEIGHT_BABY"     "WEIGHT_BABY"