R Language
Wyrażenia regularne (regex)

Wprowadzenie

Uwagi

Eliminowanie białych znaków

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

Przycinanie białych znaków

„Przycinanie” białych znaków zwykle odnosi się do usuwania zarówno początkowych, jak i końcowych białych znaków z łańcucha. Można to zrobić za pomocą kombinacji poprzednich przykładów. gsub służy do wymuszenia zamiany zarówno na mecze wiodące, jak i końcowe.

Przed R 3.2.0

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

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

R 3.2.0 i wyższe

trimws(x = string)

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

Usuwanie wiodących białych znaków

Przed R 3.2.0

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

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

R 3.2.0 i wyższe

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

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

Usuwanie końcowych białych znaków

Przed R 3.2.0

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

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

R 3.2.0 i wyższe

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

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

Usuwanie wszystkich białych znaków

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

[1] "sometextonlineone;andthensometextonlinetwo"

Pamiętaj, że spowoduje to również usunięcie znaków białych znaków, takich jak tabulatory ( \t ), znaki nowej linii ( \r i \n ) i spacje.

Sprawdź poprawność daty w formacie „RRRRMMDD”

Powszechną praktyką jest nazywanie plików przy użyciu daty jako prefiksu w następującym formacie: YYYYMMDD , na przykład: 20170101_results.csv . Datę w takim formacie ciągu można zweryfikować za pomocą następującego wyrażenia regularnego:

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

Powyższe wyrażenie uwzględnia daty od roku: 0000-9999 , miesiące od: 01-12 do dni 01-31 .

Na przykład:

> 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

Uwaga : sprawdza poprawność składni daty, ale możemy mieć niepoprawną datę z prawidłową składnią, na przykład: 20170229 (2017 r. Nie jest rokiem przestępnym).

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

Jeśli chcesz sprawdzić datę, możesz to zrobić za pomocą tej funkcji zdefiniowanej przez użytkownika:

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

Następnie

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

Sprawdź poprawność skrótów pocztowych w Stanach Zjednoczonych

Poniższy regex obejmuje 50 stanów, a także Commonwealth / Territory (patrz www.50states.com ):

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])"

Na przykład:

> 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
> 

Uwaga :

Jeśli chcesz zweryfikować tylko 50 stanów, zalecamy użycie zestawu danych R: state.abb from state , na przykład:

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

Otrzymujemy TRUE tylko dla skrótów 50-stanowych: AL, AZ, AR, FL .

Sprawdź poprawność numerów telefonów w USA

Następujące wyrażenie regularne:

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

Sprawdza numer telefonu w postaci: +1-xxx-xxx-xxxx , w tym opcjonalne początkowe / końcowe spacje na początku / końcu każdej grupy numerów, ale nie w środku, na przykład: +1-xxx-xxx-xx xx jest niepoprawny. - ogranicznik może być zastąpiony przez półfabrykatów: xxx xxx xxx lub bez ogranicznika: xxxxxxxxxx . Prefiks +1 jest opcjonalny.

Sprawdźmy to:

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")

Ważne przypadki:

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

Nieprawidłowe przypadki:

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

Uwaga :

• \\s zestawienia dowolnego miejsca, zakładka lub znak nowego wiersza

Uciekające postacie we wzorach regularnych R.

Ponieważ zarówno R, jak i wyrażenie regularne dzielą znak zmiany znaczenia, "\" , budowanie poprawnych wzorców dla grep , sub , gsub lub dowolnej innej funkcji, która akceptuje argument wzorca, często wymaga parowania ukośników odwrotnych. Jeśli zbudujesz trzyelementowy wektor znaków, w którym jeden element ma linię, inny znak tabulacji, a drugi żaden, a pragnieniem jest przekształcenie albo linii albo tabulacji w 4-spacje, wówczas potrzebna jest pojedyncza kreska odwrotna, ale zmienne ukośniki odwrotne do dopasowania:

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"

Zauważ, że argument wzorca (który jest opcjonalny, jeśli pojawia się jako pierwszy i wymaga tylko częściowej pisowni) jest jedynym argumentem wymagającym tego podwojenia lub parowania. Argument zamiany nie wymaga podwojenia znaków, które wymagają zmiany znaczenia. Jeśli chcesz, aby wszystkie przejścia między wierszami i wystąpienia 4-spacji zostały zastąpione tabulatorami, byłoby to:

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

Różnice między wyrażeniami regularnymi Perl i POSIX

Istnieją dwa bardzo nieznacznie różne silniki wyrażeń regularnych zaimplementowane w R. Domyślnie jest to zgodne z POSIX; wszystkie funkcje wyrażenia regularnego w R są również wyposażone w opcję włączenia tego drugiego typu: perl = TRUE .

Patrząc w przyszłość / patrz w przeszłość

perl = TRUE włącza przewidywanie i odwracanie w wyrażeniach regularnych.

• "(?<=A)B" odpowiada wyglądzie litery B tylko wtedy, gdy poprzedza ją A , tzn. "ABACADABRA" byłoby dopasowane, ale "abacadabra" i "aBacadabra" nie.