R Language
正規表現（正規表現）

前書き

備考

空白を取り除く

string <- '    some text on line one; 
and then some text on line two     '

空白を削除する

"トリミング"空白は、通常、文字列から先頭と末尾の両方の空白を削除することを指します。これは、前の例の組み合わせを使用して行うことができます。 gsubは、先頭と末尾のマッチの両方に置換を強制するために使用されます。

R 3.2.0より前

gsub(pattern = "(^ +| +$)",
     replacement = "",
     x = string)

[1] "some text on line one; \nand then some text on line two"

R 3.2.0以上

trimws(x = string)

[1] "some text on line one; \nand then some text on line two"

先行する空白を削除する

R 3.2.0より前

sub(pattern = "^ +", 
    replacement = "",
    x = string)

[1] "some text on line one; \nand then some text on line two     "

R 3.2.0以上

trimws(x = string,
       which = "left")

[1] "some text on line one; \nand then some text on line two     "

末尾の空白を削除する

R 3.2.0より前

sub(pattern = " +$",
    replacement = "",
    x = string)

[1] "    some text on line one; \nand then some text on line two"

R 3.2.0以上

trimws(x = string,
       which = "right")

[1] "    some text on line one; \nand then some text on line two"

すべての空白を削除する

gsub(pattern = "\\s",   
     replacement = "",
     x = string)

[1] "sometextonlineone;andthensometextonlinetwo"

タブ（ \t ）、改行（ \rと\n ）、空白などの空白文字も削除されることに注意してください。

日付を「YYYYMMDD」形式で検証する

日付を接頭辞として使用するファイルには、 YYYYMMDD形式で名前を付けることが一般的20170101_results.csv 。例： 20170101_results.csv 。このような文字列形式の日付は、次の正規表現を使用して検証できます。

\\d{4}(0[1-9]|1[012])(0[1-9]|[12][0-9]|3[01])

上記の式は、年： 0000-9999 、月： 01-12および日01-31日付を考慮します。

例えば：

> grepl("\\d{4}(0[1-9]|1[012])(0[1-9]|[12][0-9]|3[01])", "20170101")
[1] TRUE
> grepl("\\d{4}(0[1-9]|1[012])(0[1-9]|[12][0-9]|3[01])", "20171206")
[1] TRUE
> grepl("\\d{4}(0[1-9]|1[012])(0[1-9]|[12][0-9]|3[01])", "29991231")
[1] TRUE

注 ：これは日付の構文を検証しますが、有効な構文（たとえば、 20170229 （2017年はうるう年ではありません））で日付を間違えることがあります。

> grepl("\\d{4}(0[1-9]|1[012])(0[1-9]|[12][0-9]|3[01])", "20170229")
[1] TRUE

日付を検証する場合は、このユーザー定義関数を使用して日付を検証できます。

is.Date <- function(x) {return(!is.na(as.Date(as.character(x), format = '%Y%m%d')))}

その後、

> is.Date(c("20170229", "20170101", 20170101))
[1] FALSE  TRUE  TRUE

アメリカ合衆国の郵便番号の略称を検証する

次のregexは50州とCommonwealth / Territory（ www.50states.com参照）が含まれます：

regex <- "(A[LKSZR])|(C[AOT])|(D[EC])|(F[ML])|(G[AU])|(HI)|(I[DLNA])|(K[SY])|(LA)|(M[EHDAINSOT])|(N[EVHJMYCD])|(MP)|(O[HKR])|(P[WAR])|(RI)|(S[CD])|(T[NX])|(UT)|(V[TIA])|(W[AVIY])"

例えば：

> test <- c("AL", "AZ", "AR", "AJ", "AS", "DC", "FM", "GU","PW", "FL", "AJ", "AP")
> grepl(us.states.pattern, test)
 [1]  TRUE  TRUE  TRUE FALSE  TRUE  TRUE  TRUE  TRUE  TRUE  TRUE FALSE FALSE
> 

注意 ：

50個の状態だけを確認したい場合は、 stateからstate.abbというRデータセットを使用することをお勧めします。

> data(state)
> test %in% state.abb
[1]  TRUE  TRUE  TRUE FALSE FALSE FALSE FALSE FALSE FALSE  TRUE FALSE FALSE    

AL, AZ, AR, FL 50-States略語についてのみTRUEを得ます。

米国の電話番号を検証する

次の正規表現は次のとおりです。

us.phones.regex <- "^\\s*(\\+\\s*1(-?|\\s+))*[0-9]{3}\\s*-?\\s*[0-9]{3}\\s*-?\\s*[0-9]{4}$" 

次の形式で電話番号を検証します。 +1-xxx-xxx-xxxx （各番号グループの先頭と末尾にオプションの先頭/末尾ブランクを含みますが、中央には含まれません）： +1-xxx-xxx-xx xxは無効です。 -区切り文字は、 xxx xxx xxxまたは区切り文字なしのxxxxxxxxxx空白に置き換えることができます。 +1プレフィックスはオプションです。

それをチェックしよう：

us.phones.regex <- "^\\s*(\\+\\s*1(-?|\\s+))*[0-9]{3}\\s*-?\\s*[0-9]{3}\\s*-?\\s*[0-9]{4}$"

phones.OK <- c("305-123-4567", "305 123 4567", "+1-786-123-4567", 
    "+1 786 123 4567", "7861234567", "786 - 123   4567", "+ 1 786 - 123   4567")

phones.NOK <- c("124-456-78901", "124-456-789", "124-456-78 90", 
    "124-45 6-7890", "12 4-456-7890")

有効なケース：

> grepl(us.phones.regex, phones.OK)
[1] TRUE TRUE TRUE TRUE TRUE TRUE TRUE
> 

無効なケース：

 > grepl(us.phones.regex, phones.NOK)
[1] FALSE FALSE FALSE FALSE FALSE
> 

注意 ：

• \\s任意のスペース、タブ、または改行文字と一致します。

R正規表現パターンの文字をエスケープする

Rとregexの両方がエスケープ文字"\"共有しているので、 grep 、 sub 、 gsubまたはパターン引数を受け入れる他の関数の正しいパターンを構築するには、しばしばバックスラッシュのペアリングが必要です。 1つの項目に改行があり、もう1つが改行で、もう1つが改行でない3つの項目の文字ベクトルを作成する場合は、改行またはタブを4つのスペースに変えて、マッチングのためにバックスラッシュを使用しています：

x <- c( "a\nb", "c\td", "e    f")
x  # how it's stored
   #  [1] "a\nb"   "c\td"   "e    f"
cat(x)   # how it will be seen with cat
#a
#b c    d e    f

gsub(patt="\\n|\\t", repl="    ", x)
#[1] "a    b" "c    d" "e    f"

パターンの引数（最初に現れ、省略してスペルのみが必要な場合はオプション）は、この倍精度化またはペアリングを必要とする唯一の引数であることに注意してください。置換引数は、エスケープする必要がある文字の倍数を必要としません。すべての改行と4スペースの出現がタブで置き換えられるようにしたい場合は、次のようになります：

gsub("\\n|    ", "\t", x)
#[1] "a\tb" "c\td" "e\tf"

PerlとPOSIX正規表現の違い

Rで実装されている正規表現のエンジンは、わずかに異なる2つあります。デフォルトはPOSIXと一貫しています。 Rのすべての正規表現関数には、後者の型を有効にするオプションも用意されています： perl = TRUE 。

ルックアヘッド/ルックバック

perl = TRUEは、正規表現のルックアヘッドとルックバックを可能にします。

• "(?<=A)B"文字の出現と一致するBそれがが先行しています場合にのみ、 A 、すなわち"ABACADABRA"に一致するだろうが、 "abacadabra"と"aBacadabra"ではないだろうが。