r - 如何使用正则表达式按顺序提取字符串中包含的数字

Question

我有一个如下所示的数据框:

df <- data.frame(col = c("3.2% 1ST $100000 AND 1.1% BALANCE", "3.3% 1ST $100000 AND 1.2% BALANCE AND $3000 BONUS FULL PRICE ONLY", 
                         "$4000", "3.3% 1ST $100000 AND 1.2% BALANCE", "3.3% 1ST $100000 AND 1.2% BALANCE", 
                         "3.2% 1ST $100000 1.1% BALANCE","2.1% 1ST $100000 AND 1.2% BALANCE PLUS $2500"))

                                                                col
1                                 3.2% 1ST $100000 AND 1.1% BALANCE
2 3.3% 1ST $100000 AND 1.2% BALANCE AND $3000 BONUS FULL PRICE ONLY
3                                                             $4000
4                                 3.3% 1ST $100000 AND 1.2% BALANCE
5                                 3.3% 1ST $100000 AND 1.2% BALANCE
6                                     3.2% 1ST $100000 1.1% BALANCE
7                      2.1% 1ST $100000 AND 1.2% BALANCE PLUS $2500 

我想要做的是将这些字符串中的数字分开，并将它们放在新数据框中的不同列中。正如@Ronak Shah 在这里推荐的那样: How to find a pattern in a string and extract it as a new column of data frame
我使用了这种方法，效果很好:

library(tidyverse)

    a<-df %>%
      extract(col, c('First', 'cut-off', 'Second'), 
              '(\\d+.*?)% 1ST\\s*\\$(\\d+).*?(\\d+.*?)%.*?', remove = FALSE) %>%
      mutate(Bonus = str_extract(col, '\\d+(?=\\sBONUS)')) 

然而，我刚刚意识到有时出于某种原因， 这个词。奖金评论中没有提到这个数字实际上是一个奖金。例如在这个字符串中 2.1% 1ST $100000 AND 1.2% BALANCE PLUS $2500第四个数字是 BONUS 但后面没有“BONUS”这个词，所以这个数字不能被捕获。
我想知道有没有办法解决这个问题？有没有办法提取字符串的第四个数字？似乎在大多数情况下，这个 BONUS 数字是我的字符串的第四个数字。

Answer 1

您可以使用

^(\d[\d.]*)%\s*1ST\s*\$(\d+)\D*(\d[\d.]*)%\D*(\d*)

见 regex demo .
在 R 中，使用

a <- df %>%
  extract(col, c('First', 'cut-off', 'Second', 'Bonus'), 
    '^(\\d[\\d.]*)%\\s*1ST\\s*\\$(\\d+)\\D*(\\d[\\d.]*)%\\D*(\\d*)', remove = FALSE)

详情

^ - 字符串开头

(\d[\d.]*) - 第 1 组:一个数字，然后是零个或多个数字/点

% - 一个 %字符

\s* - 0+ 个空格

1ST - 一个字符串

\s* - 0+ 个空格

\$ - 一个 $字符

(\d+) - 第 2 组:一位或多位数字

\D* - 0+ 非数字

(\d[\d.]*) - 第 3 组:一个数字，然后是零个或多个数字/点

%\D* - %和 0+ 非数字

(\d*) - 第 4 组:零个或多个数字。