R:如何从数据帧中提取一些大的数字，而不是其他的。

Question

我试过用gsub来解决这个问题，但这太难了。我不知道如何告诉函数只返回某些数字，而不知道其他数字。

我的问题是:我有一个大的数据框架，每个执行的测试都有一列test.comments。这是一大块文字，其中只有某些数字是我感兴趣的。

示例：

** BK病毒阳性**解释:计算出每毫升尿液18,900,000,000 BKV基因组当量............................................................................................................................十分之一的测试样本..。致电555-122-634，有问题

我想做的是在一个单独的列中添加值18900,000,000(但不包括电话号码和其他随机数)。

有时，数字被_______包围

** BK病毒阳性**解释:每ML检测到一种CALCULATED__33,400,000____BK病毒(BKV)基因组当量

在某些情况下，这一数字也很小：

经计算，每毫升检测到900 BKV基因组当量。

或

** BK病毒阳性**解释:在该患者标本中检测到calculated__<250__________BK病毒(BKV)每毫升基因组当量。

我希望有一个强有力的命令

18,900,000

33,400,000

900

<250

它还将帮助我拥有一个只返回数字> 1,000的命令，并且我可以手动编辑其他情况。

但一定有更优雅的解决方案?!？

编辑:谢谢你的帮助，大家，斯文的解决方案最适合我！

Answer 1

下面是使用sub的一个可能的解决方案

sub(".*?([<>]?[,0-9]+)[ _]+BK.*", "\\1", vec)
# [1] "18,900,000,000" "33,400,000"     "900"            "<250"  

其中vec是包含这4个例子的向量。

Answer 2

这将得出这些例子中的目标(增加的第四个案例)：

 dput(test)
c("** POSITIVE FOR BK VIRUS ** INTERPRETATION: A calculated 18,900,000,000 BKV genome equivalents per ml urine were detected in this patient specimen....... ............................................................................................................................................ 1 out of 10 test samples... Call 555-122-634 with Questions", 
"** POSITIVE FOR BK VIRUS ** INTERPRETATION: A CALCULATED__33,400,000____BK VIRUS (BKV) GENOME EQUIVALENTS PER ML WERE DETECTED", 
"A calculated 900 BK virus (BKV) genome equivalents per ml were detected in this patient specimen", 
"** POSITIVE FOR BK VIRUS ** INTERPRETATION: A calculated__<250__________BK virus (BKV) genome equivalents per ml were detected in this patient specimen."
)

如果这样做不太好的话，需要更好的例子：

> gsub("(^[^>_0-9]+)([0-9,]{14}|[_]+[<0-9,]+[_]+|[,0-9]+ BK)(.+$)", 
       "\\2", test)
[1] "18,900,000,000 BK" "__33,400,000____"  "900 BK" 
[4] "__<250__________" 

然后，您只需删除下划线和逗号。逻辑是，报告似乎有一个预设的数据空格数(如果14个字符或如果不是所有数字都用下划线填充，则为所有数字和逗号)。

Answer 3

到目前为止，两种方法都不是完全健壮的，而且我不确定如何修复它们，因为我不是一个好的regexxxer

p1 <- "** POSITIVE FOR BK VIRUS ** INTERPRETATION: A calculated 18,900,000,000 BKV genome equivalents per ml urine were detected in this patient specimen....... ............................................................................................................................................ 1 out of 10 test samples... Call 555-122-634 with Questions"
p2 <- "** POSITIVE FOR BK VIRUS ** INTERPRETATION: A CALCULATED__33,400,000____BK VIRUS (BKV) GENOME EQUIVALENTS PER ML WERE DETECTED"
p3 <- "A calculated 900 BK virus (BKV) genome equivalents per ml were detected in this patient specimen

** POSITIVE FOR BK VIRUS ** INTERPRETATION: A calculated__<250__________BK virus (BKV) genome equivalents per ml were detected in this patient specimen."

第一个示例没有获取第三个示例字符串中的900

pattern <- '(?:\\s+)*[\\d<>]((?:[\\d,])*(?![\\s-\\d]))'
regmatches(p1, gregexpr(pattern, p1, perl = TRUE))
# [[1]]
# [1] " 18,900,000"

regmatches(p2, gregexpr(pattern, p2, perl = TRUE))
# [[1]]
# [1] "33,400,000"

regmatches(p3, gregexpr(pattern, p3, perl = TRUE))
# [[1]]
# [1] "<250"

第二个示例在第一个示例中获取额外的数字字符串，但在第三个示例中获取900。

pattern <- "[\\d<>]((?:[\\d,])*)"
regmatches(p1, gregexpr(pattern, p1, perl = TRUE))
# [[1]]
# [1] "18,900,000,000" "1"              "10"             "555"           
# [5] "122"            "634"           

regmatches(p2, gregexpr(pattern, p2, perl = TRUE))
# [[1]]
# [1] "33,400,000"

regmatches(p3, gregexpr(pattern, p3, perl = TRUE))
# [[1]]
# [1] "900"  "<250"