为什么模式适用于str_extract_all，而不适用于strsplit或str_subset？

Question

这是我的数据，一个字符串：

data <- "Mr. NAME. Content1.Mrs. NAMEE. Content2.Ms. NAME ABCD. Content3."

我通过下面的语法得到了一个名称向量：

name <- unlist(str_extract_all( text, "Mr\\.\\s[:upper:]{1,20}\\s?[:upper:]{1,20}\\.|Ms\\.\\s[:upper:]{1,20}\\s?[:upper:]{1,20}\\.|Mrs\\.\\s[:upper:]{1,20}\\s?[:upper:]{1,20}\\." ))

我得到了我想要的：

名为1“布克先生”“科默先生”“贝尔德先生”“柯克帕特里克太太”

5“CORTEZ MASTO女士”“罗森女士”“海耶斯太太”“SHALALA女士”

9“DEUTCH先生”“肯尼迪先生”“克里希纳莫托西先生”“索托先生”

13“SOTO先生”“戴明斯太太”“索托先生”“西西林先生”

17“SOTO先生”“沃瑟曼·舒尔茨女士”“索托先生”“沃瑟曼·舒尔茨女士”

我怎样才能得到名字之间内容的向量。我想要一个这样的向量：

"Content1."   "Content2."    "Content3."

我尝试了str_subset和strsplit来获取我在str_extract函数中定义的模式之间的内容，失败了一次又一次.

Answer 1

您真的可以在stringr::str_split中使用正则表达式。然而，将替代方案浓缩为

pattern <- "\\bM(?:rs?|s)\\.\\s\\p{Lu}{1,20}\\s?\\p{Lu}{1,20}\\."

Ms、Mr和Mrs可以加入到M(?:rs?|s)模式中(M，然后是r和可选的s，或者仅仅是s)。

现在，您可以在stringr::str_split中使用此模式。

pattern <- "\\bM(?:rs?|s)\\.\\s\\p{Lu}{1,20}\\s?\\p{Lu}{1,20}\\."
library(stringr)
str_split(data,pattern)
# => [[1]]
#    [1] ""           " Content1." " Content2." " Content3."

为什么一开始有一个空字符串？它之所以存在，是因为字符串的开头有一个匹配项。分割时，从字符序列中删除匹配的文本，并将前后文本放入单独的项中。当匹配开始时，第一项是空字符串。当匹配位于字符串的末尾或有连续的匹配时，也会发生同样的情况。

如果不希望输出中有空项，只需删除它们：

pattern <- "\\bM(?:rs?|s)\\.\\s\\p{Lu}{1,20}\\s?\\p{Lu}{1,20}\\."
library(stringr)
result <- str_split(data,pattern)
lapply(result, function(x) x[x!=""])
# => [[1]]
#    [1] " Content1." " Content2." " Content3."

Answer 2

获得所需结果的一个简单方法是使用string_replace_all将正则表达式折叠为令牌，然后按该令牌拆分：

#Dropping many alternative patterns, 
pattern = "Mr\\.\\s[:upper:]{1,20}\\s?[:upper:]{1,20}\\." #etc etc
name <- unlist(stringr::str_replace_all( data, pattern, "xyx"))
stringr::str_split(name, "xyx")

产量

""           " Content1." " Content2." " Content3."