正規表現でRの文字列の不一致部分をどのように抽出できますか？

Question

私は非常に乱雑な文字列のベクトルを持っています。だからここに私がまたは、正しくその後、いくつかのより多くのテキストを入力してもしなくてもよい時間に続いて、いくつかのテキストを、特色の文字列を持っている

library(tidyverse) 
library(stringr) 
strings <- tibble(
    name = c("lorem 11:07:59 86136-1-sed", 
      "ipsum 14:35:57 S VARNAME-ut", 
      "dolor 10:37:53 1513 -2-perspiciatis", 
      "sit 10:48:25", 
      "amet 13:52:1365293-2-unde", 
      "consectetur 11:53:1 16018-2-omnis", 
      "adipiscing 11:19 17237-2-iste" 
      ) 
) 
strings_out <- strings %>% 
    mutate(heads = str_extract(name, "^.*?\\s\\d{1,2}:\\d{1,2}:\\d{1,2}")) %>% 
    mutate(ends = str_replace(name, "^.*?\\s\\d{1,2}:\\d{1,2}:\\d{1,2}", "")) 
strings_out[,2:3] 
#> # A tibble: 7 x 2 
#>     heads       ends 
#>     <chr>       <chr> 
#> 1  lorem 11:07:59     86136-1-sed 
#> 2  ipsum 14:35:57     S VARNAME-ut 
#> 3  dolor 10:37:53   1513 -2-perspiciatis 
#> 4  sit 10:48:25        
#> 5  amet 13:52:13     65293-2-unde 
#> 6 consectetur 11:53:1     16018-2-omnis 
#> 7    <NA> adipiscing 11:19 17237-2-iste 

：ここでは一例です。時間の経過後に文字列の終わりを抽出したいのですが、str_extractを使って潜在的な正規表現によく対応するようなパターンはありません。 headsに示すように、文字列の最初の半分に簡単に一致させることができます。しかし、最後の半分を抽出する唯一の方法は、endsに示すように、空の文字列にstr_replaceを使用することです。

私は、このリストに気付いたすべての一般的なエラーを含めるようにしました：ハイフネーション、スペースまたは文字列の内容が時間の後にない、保証されたスペースと時間と希望の文字列の最後の半分行方不明またはコロンであってもよい。

私がしたいのは、str_extractを使用して、私がstr_replaceのものに近いものを得ることです。主な違いは、この正規表現はまだ動作しないエラーのため、str_extractは私のためにフィルタリングして、手動で修正するのは簡単ですNAを与えることですが、文字列全体でstr_replaceだけコピーが行7

Iに見られるように、 NAを手に入れてExcelなどで手作業で修正するなど、いくつかのハッキーな方法でこれを行うことができると思われますが、検索にもかかわらず文字列の不一致部分を返す方法がわからないことに驚いています(^)と[^]を含む異なる正規表現を試してみてください。何か案は？

Answer 1

通常、おそらくlookaroundsを調べたいと思うかもしれませんが、あなたのデータにはもっと便利な構造が必要かもしれません。

は、ここで私は常にそれの後にスペースを持っていない時間を実現する前に書いた簡単な例です：

library(tidyverse) 
library(stringr) 
strings <- tibble(
    name = c("lorem 11:07:59 86136-1-sed", 
      "ipsum 14:35:57 S VARNAME-ut", 
      "dolor 10:37:53 1513 -2-perspiciatis", 
      "sit 10:48:25", 
      "amet 13:52:1365293-2-unde", 
      "consectetur 11:53:1 16018-2-omnis", 
      "adipiscing 11:19 17237-2-iste" 
) 
) 
strings_out <- strings %>% 
    mutate(heads = str_extract(name, "^.*?\\s\\d{1,2}:\\d{1,2}:\\d{1,2}"), 
     ends = str_extract(name, "(?<=:\\d{1,2})[\\s\\S]+$")) 

strings_out[c(1,3)] 
#> # A tibble: 7 x 2 
#>         name     ends 
#>         <chr>    <chr> 
#> 1   lorem 11:07:59 86136-1-sed   86136-1-sed 
#> 2   ipsum 14:35:57 S VARNAME-ut   S VARNAME-ut 
#> 3 dolor 10:37:53 1513 -2-perspiciatis 1513 -2-perspiciatis 
#> 4      sit 10:48:25     <NA> 
#> 5   amet 13:52:1365293-2-unde     <NA> 
#> 6 consectetur 11:53:1 16018-2-omnis  16018-2-omnis 
#> 7  adipiscing 11:19 17237-2-iste   17237-2-iste 

問題は、ここでより多くの構造がなければ5行目のような行です、時間が13:52:13か13:52:1かどうかを知ることはできません。両方とも他の文字列に存在するオプションなので、わかりません。どちらが正しいかは、正規表現で解決できる問題ではありません。

Answer 2

また、これを試すことができます。

library(tidyverse) 
library(stringr) 

regex = "^\\w+\\s\\d{2}:\\d{2}:*\\d{0,2}" 

strings %>% 
    mutate(head = str_extract(name, regex), 
     end = str_replace(name, paste0(regex, "\\s?"), ""), 
     end = str_replace(end, "^\\s*$", NA_character_)) 

結果：

# A tibble: 7 x 3 
           name    head     end 
           <chr>    <chr>    <chr> 
1   lorem 11:07:59 86136-1-sed  lorem 11:07:59   86136-1-sed 
2   ipsum 14:35:57 S VARNAME-ut  ipsum 14:35:57   S VARNAME-ut 
3 dolor 10:37:53 1513 -2-perspiciatis  dolor 10:37:53 1513 -2-perspiciatis 
4      sit 10:48:25  sit 10:48:25     <NA> 
5   amet 13:52:1365293-2-unde  amet 13:52:13   65293-2-unde 
6 consectetur 11:53:1 16018-2-omnis consectetur 11:53:1  16018-2-omnis 
7  adipiscing 11:19 17237-2-iste adipiscing 11:19   17237-2-iste 

注：

私のソリューションは、行5のために動作しますが、あなたがいるかどうかを決定する必要がありますこの場合は13:52:13または13:52:1を抽出します。いずれの場合も、正規表現を単純に変更するだけで済むが、@ Zachのように、自動的な方法はない。

Answer 3

あなたはただ一つの追加の行でそれを持つことができます。

strings["rx"] <- str_match(strings$name, "\\d*:\\d*(?::\\d+)?(.*)")[,2] 
strings 

望ましい結果は何

# A tibble: 7 x 2 
           name     rx 
           <chr>     <chr> 
1   lorem 11:07:59 86136-1-sed   86136-1-sed 
2   ipsum 14:35:57 S VARNAME-ut   S VARNAME-ut 
3 dolor 10:37:53 1513 -2-perspiciatis 1513 -2-perspiciatis 
4      sit 10:48:25      
5   amet 13:52:1365293-2-unde    -2-unde 
6 consectetur 11:53:1 16018-2-omnis   16018-2-omnis 
7  adipiscing 11:19 17237-2-iste   17237-2-iste