我有一个包含多列的数据集，其中一列（d$leftContext）包含字符串，例如：
Eens zien of je binnen een paar jaar , wanneer er hier misschien een
Ik zou denken van wel , eens deze kerel verdwenen zullen er nog erger aan de macht komen , mensen , crimineel krankzinnig , en fanatiek godsdienstig genoeg om met atoombommen naar het westen te smijten...Die
Die
Die
Als de
对于每一个，我只想返回最后四个单词。我最初想用正则表达式来实现这一点，但我很确定，当字符串短于四个单词时（后三种情况也是如此），这是行不通的。此外，当单词之间除了空格之外还有其他字符时，我提出的regex就不起作用了（就像第二行的情况一样）。请在此处查看我的正则表达式示例。
.*(?=(bw+s){4}$)
那么，我如何去掉R中的最后四个单词（和它们之间的所有单词）？
对于上面给出的块，结果看起来像（如果不够，保留最后四个单词或更少）：
er hier misschien een
westen te smijten...Die
Die
Die
Als de
首先要实现的是regex和R都使用反斜杠作为转义符，因此在创建模式字符串时需要将"\"的值加倍。这将返回字符类项目" "、","和"."的列表的4个单词和嵌入的分隔符。唯一要转义的字符是反斜杠。
> sub( patt='(.+)(([ ,.]+\w+){4})[ ]?$', repl='\2', Lines)
[1] " er hier misschien een" " westen te smijten...Die" "Die "
[4] "Die " "Als de"
它实际上与后三个不匹配，因为它们实际上没有4个分隔词模式。我需要输入最后的"[]"，因为复制的几行有尾随空格，这打乱了我的匹配。
>dput(Lines)
c("Eens zien of je binnen een paar jaar , wanneer er hier misschien een ",
"Ik zou denken van wel , eens deze kerel verdwenen zullen er nog erger aan de macht komen , mensen , crimineel krankzinnig , en fanatiek godsdienstig genoeg om met atoombommen naar het westen te smijten...Die ",
"Die ", "Die ", "Als de")
这样做：
df <- data.frame(leftContext=c('Eens zien of je binnen een paar jaar , wanneer er hier misschien een','Ik zou denken van wel , eens deze kerel verdwenen zullen er nog erger aan de macht komen , mensen , crimineel krankzinnig , en fanatiek godsdienstig genoeg om met atoombommen naar het westen te smijten...Die','Die','Die','Als de'), stringsAsFactors=F );
df$leftContext;
## [1] "Eens zien of je binnen een paar jaar , wanneer er hier misschien een"
## [2] "Ik zou denken van wel , eens deze kerel verdwenen zullen er nog erger aan de macht komen , mensen , crimineel krankzinnig , en fanatiek godsdienstig genoeg om met atoombommen naar het westen te smijten...Die"
## [3] "Die"
## [4] "Die"
## [5] "Als de"
sub('(\b\w+\b\W*){1,4}$','',df$leftContext);
## [1] "Eens zien of je binnen een paar jaar , wanneer "
## [2] "Ik zou denken van wel , eens deze kerel verdwenen zullen er nog erger aan de macht komen , mensen , crimineel krankzinnig , en fanatiek godsdienstig genoeg om met atoombommen naar het "
## [3] ""
## [4] ""
## [5] ""
关键是使用变量绑定的{1,4}；这确保了如果少于四个单词，1:3的尾随单词仍将被剥离。此外，非空白分隔符很容易被W覆盖，它匹配任何非单词字符。
编辑：对不起，OP说"返回"，然后说"脱衣服"，我取"脱衣服"的意思是删除。
我一直在尝试修改我的正则表达式以满足需求，但值得注意的是，在我看来，R的正则表达式实现，至少在正则表达式中绑定了变量时，在替换字符串中扩展捕获组方面，已经崩溃了。在这种情况下，无法正确扩展替换字符串中的1、2等。
为了解决这个问题，我想出了一个破解方法，使用substr()提取您想要的输入字符串的尾部：
df <- data.frame(leftContext=c('Eens zien of je binnen een paar jaar , wanneer er hier misschien een','Ik zou denken van wel , eens deze kerel verdwenen zullen er nog erger aan de macht komen , mensen , crimineel krankzinnig , en fanatiek godsdienstig genoeg om met atoombommen naar het westen te smijten...Die','Die','Die','Als de'), stringsAsFactors=F );
df$leftContext;
## [1] "Eens zien of je binnen een paar jaar , wanneer er hier misschien een"
## [2] "Ik zou denken van wel , eens deze kerel verdwenen zullen er nog erger aan de macht komen , mensen , crimineel krankzinnig , en fanatiek godsdienstig genoeg om met atoombommen naar het westen te smijten...Die"
## [3] "Die"
## [4] "Die"
## [5] "Als de"
substr(df$leftContext,nchar(sub('(\b\w+\b\W*){1,4}$','',df$leftContext))+1,nchar(df$leftContext));
## [1] "er hier misschien een" "westen te smijten...Die" "Die" "Die" "Als de"