r - {tidyr} 中的提取函数存在问题

Question

我有一个看起来像这样的数据框。我将其命名为“df_raw”。

"HRHHID\t15\tHOUSEHOLD IDENTIFIER\t(Part 1)\t1- 15"
"HRMONTH\t2\tMONTH OF INTERVIEW\t16-17"
"HRYEAR4\t4\tYEAR OF INTERVIEW\t\t18-21"
"HURESPLI\t2\tLINE NUMBER OF THE RESPONDENT\tCURRENT\t22 - 23""FILLER\t2\t\t27 - 28"...

我正在尝试提取末尾的数字范围，例如1-15、16-17、18-21等。我在正则表达式测试器 ( https://regexr.com/63nl1 ) 上准备了我的正则表达式语法，它似乎针对我想要的内容。

正则表达式:\d+(\s?)-(\s?)\d+$

然后我转到 R 并尝试使用 tidyr 中的 extract 函数(这是我第一次使用它)，然后收到错误:“错误:regex 应该定义 1 个组；找到了。”

df_raw %>% 
extract(col = value, into = "", regex = "\\d+(\\s?)-(\\s?)\\d+$")

任何人都可以帮助我了解如何对正则表达式进行分组，以便提取功能正常工作吗？

非常感谢，大卫

Answer 1

我们可以通过指定空白来使用trimws来删除所有内容，直到\t

library(dplyr)
library(stringr)
df_raw %>%
      mutate(new = str_remove_all(trimws(value, whitespace = ".*\t"), "\\s+"))

-输出

# A tibble: 5 x 2
  value                                                          new  
  <chr>                                                          <chr>
1 "HRHHID\t15\tHOUSEHOLD IDENTIFIER\t(Part 1)\t1- 15"            1-15 
2 "HRMONTH\t2\tMONTH OF INTERVIEW\t16-17"                        16-17
3 "HRYEAR4\t4\tYEAR OF INTERVIEW\t\t18-21"                       18-21
4 "HURESPLI\t2\tLINE NUMBER OF THE RESPONDENT\tCURRENT\t22 - 23" 22-23
5 "FILLER\t2\t\t27 - 28"                                         27-28

---

或者使用extract，OP 帖子中的代码显示多个捕获组，而我们只想提取到单个列中。在这种情况下，只需获取数字 (\\d+)，后跟任意空格 (\\s*)、-，然后是任意空格和数字，用 (...) 将其包装为字符串末尾 ($) 的捕获组

library(tidyr)
df_raw %>% 
    extract(col = value, into = "new",  "(\\d+\\s*-\\s*\\d+)$")
# A tibble: 5 x 1
  new    
  <chr>  
1 1- 15  
2 16-17  
3 18-21  
4 22 - 23
5 27 - 28

---

或者仅使用基础R

trimws(df_raw$value, whitespace = ".*\t")
[1] "1- 15"   "16-17"   "18-21"   "22 - 23" "27 - 28"

数据

df_raw <- structure(list(value = c("HRHHID\t15\tHOUSEHOLD IDENTIFIER\t(Part 1)\t1- 15", 
"HRMONTH\t2\tMONTH OF INTERVIEW\t16-17", "HRYEAR4\t4\tYEAR OF INTERVIEW\t\t18-21", 
"HURESPLI\t2\tLINE NUMBER OF THE RESPONDENT\tCURRENT\t22 - 23", 
"FILLER\t2\t\t27 - 28")), row.names = c(NA, -5L), class = c("tbl_df", 
"tbl", "data.frame"))