regex - R中data.table中一列的子字符串字符

Question

是否有更“r”的方式从 data.table 中的列的较长字符串中分出两个有意义的字符？

我有一个 data.table，其中有一列带有“学位字符串”......某人获得的学位和毕业年份的速记代码。

> srcDT<- data.table(
    alum=c("Paul Lennon","Stevadora Nicks","Fred Murcury"),
    degree=c("W72","WG95","W88")
    )

> srcDT
               alum degree
1:      Paul Lennon    W72
2:  Stevadora Nicks   WG95
3:     Fred Murcury    W88

我需要从学位中提取年份的数字，并将其放入名为“degree_year”的新列中

没问题:

> srcDT[,degree_year:=substr(degree,nchar(degree)-1,nchar(degree))]

> srcDT
                alum degree degree_year
 1:      Paul Lennon    W72          72
 2:  Stevadora Nicks   WG95          95
 3:     Fred Murcury    W88          88

如果它总是那么简单就好了。
问题是，度数字符串只是有时看起来像上面那样。更多的时候，它们看起来像这样:

srcDT<- data.table(
  alum=c("Ringo Harrison","Brian Wilson","Mike Jackson"),
  degree=c("W72 C73","WG95 L95","W88 WG90")
)

我只对我关心的角色旁边的2个数字感兴趣:W&WG(如果W和WG都在，我只关心WG)

这是我解决它的方法:

x <-srcDT$degree                     ##grab just the degree column
z <-character()                       ## create an empty character vector
degree.grep.pattern <-c("WG[0-9][0-9]","W[0-9][0-9]")
                                     ## define a vector of regex's, in the order
                                     ## I want them

for(i in 1:length(x)){               ## loop thru all elements in degree column
  matched=F                          ## at the start of the loop, reset flag to F
  for(j in 1:length(degree.grep.pattern)){
                                     ## loop thru all elements of the pattern vector

    if(length(grep(degree.grep.pattern[j],x[i]))>0){
                                     ## see if you get a match

      m <- regexpr(degree.grep.pattern[j],x[i])
                                     ## if you do, great! grab the index of the match
      y<-regmatches(x[i],m)          ## then subset down.  y will equal "WG95"
      matched=T                      ## set the flag to T
      break                          ## stop looping
    }
                                     ## if no match, go on to next element in pattern vector
  }

  if(matched){                       ## after finishing the loop, check if you got a match
    yr <- substr(y,nchar(y)-1,nchar(y))
                                     ## if yes, then grab the last 2 characters of it
  }else{
    #if you run thru the whole list and don't match any pattern at all, just
    # take the last two characters from the affilitation
    yr <- substr(x[i],nchar(as.character(x[i]))-1,nchar(as.character(x[i])))
  }
  z<-c(z,yr)                         ## add this result (95) to the character vector
}
srcDT$degree_year<-z                ## set the column to the results.

> srcDT
             alum   degree degree_year
1: Ringo Harrison  W72 C73          72
2:   Brian Wilson WG95 L95          95
3:   Mike Jackson W88 WG90          90

这有效。 100% 的时间。没有错误，没有错配。
问题是:它不能扩展。给定一个包含 10k 行或 100k 行的数据表，它确实变慢了。

有没有更聪明、更好的方法来做到这一点？这个解决方案对我来说非常“C”。不是很“R”。

关于改进的想法？

注意:我举了一个简化的例子。在实际数据中，大约有 30 种不同的学位可能组合，结合不同的年份，大约有 540 种独特的学位字符串组合。
另外，我给 degree.grep.pattern 只匹配了 2 个模式。在我正在做的实际工作中，有 7 或 8 个模式可以匹配。

Answer 1

看起来(根据 OP)评论，不存在 "WG W" 的情况，那么一个简单的正则表达式解决方案应该可以完成这项工作

srcDT[ , degree_year := gsub(".*WG?(\\d+).*", "\\1", degree)]
srcDT
#              alum   degree degree_year
# 1: Ringo Harrison  W72 C73          72
# 2:   Brian Wilson WG95 L95          95
# 3:   Mike Jackson W88 WG90          90