regex - 处理由天，小时，分钟和秒定义的持续时间，例如R中的 “1d 3h 2m 28s”

Question

我有一个带有字符向量的数据帧，其格式为天，小时，分钟和秒，表示为“1d 3h 2m 28s”:

> head(status[5])
    Duration 
1 0d 20h 46m 31s 
2  2d  0h 13m 54s
3  2d  0h 13m 53s
4  0d  9h 53m 38s
5  5d 12h 17m 37s
6  0d 10h 21m 19s

我可以使用正则表达式来解析组件，但是无法提出一种将持续时间转换为秒的好方法。我可以将向量 gsub成为一个表达式，该表达式将导致秒数，但在结果上使用 eval会遇到障碍。

我可以做一些与推荐的 here类似的事情，但希望遵循正则表达式的方法-即使它不是最有效的。我只处理解析各种小的HTML表。

status$duration <- gsub("(\\d+)d\\s+(\\d+)h\\s+(\\d+)m\\s+(\\d+)s.*","\\1*86400+\\2*3600+\\3*60+\\4",as.character(status[,5]),perl=TRUE)

上面创建了一个可以求值的表达式，但是当涉及到 parse(text=status$duration)和后续的 eval时，我却错过了一些东西。

在perl中，我习惯于在regex表达式中使用“捕获的变量”，并立即使用它们，而不是仅在替换字符串中使用它们。 R中是否有类似的可能性？

谢谢，由于思维模糊，我可能会丢失一些非常简单的内容。

Answer 1

下面的第一个和最后一个解决方案似乎是最简单的，但是具有复杂的正则表达式的解决方案与perl中可能完成的工作更为接近。

在列出解决方案本身之前，请注意，在这些解决方案中，我们假设输入为tt，转换向量mult为4个向量，其成分为一天，小时，分钟和秒的秒数。我们可以像在注释中那样设置mult或计算它，如下所示:

tt <- c("0d 20h 46m 31s", "2d 0h 13m 54s", "2d 0h 13m 53s", 
   "0d 9h 53m 38s", "5d 12h 17m 37s", "0d 10h 21m 19s")
# mult <- c(86400, 3600, 60, 1)
mult <- rev(cumprod(rev(c(24, 60, 60, 1))))

这是4种方法:

1)快速提取数字我们可以在gsubfn包中使用 strapply来避免复杂的正则表达式。 strapply用于提取将所有数字排列在一个矩阵中，然后乘以 mult将结果以纯数字矢量形式串起来:

library(gsubfn)
mat <- strapply(tt, "\\d+", as.numeric, simplify = TRUE)
secs <- c(mult %*% mat)

这两行可以合并为一个语句，但是如果您希望单独检查 mat，我们将像上面一样保留它。

2)捆绑使用复杂的正则表达式另一个可能的方法，也使用 strapply是以下单个语句。捕获的字符串在遇到它们时将被放置到自由变量中，因此第一个捕获进入 day，第二个捕获进入 hour，依此类推。这可能与您在perl中所做的更接近:

secs <- strapply(tt, "(\\d+)d (\\d+)h (\\d+)m (\\d+)s", 
 ~ 86400 * as.numeric(day) + 3600 * as.numeric(hour) + 
    60 * as.numeric(minute) + as.numeric(second), simplify = TRUE)

3)捆绑了复杂的正则表达式，但矢量化了或更短:

secs <- strapply(tt, "(\\d+)d (\\d+)h (\\d+)m (\\d+)s", 
  ~ as.numeric(list(...)) %*% mult, simplify = TRUE)

4)strsplit ，这是另一个单个语句的答案。此代码不使用 strapply，而是利用以下事实:仅删除字符串结尾处的匹配分隔符，而不会输出以下空字符串。有关详细信息，请参见 ?strsplit。

secs <- sapply(strsplit(tt, "[dhms]"), function(x) as.numeric(x) %*% mult)

以上任何一项的结果是:

> secs
[1]  74791 173634 173633  35618 476257  37279