从R中的字符串中删除括号和文本

Question

在R中,我有一个公司列表,例如:

companies  <-  data.frame(Name=c("Company A Inc (COMPA)","Company B (BEELINE)", "Company C Inc. (Coco)", "Company D Inc.", "Company E"))

我想用括号删除文本,最后得到以下列表:

                  Name
1        Company A Inc 
2            Company B
3       Company C Inc.
4       Company D Inc.
5            Company E

我尝试过的一种方法是拆分字符串,然后使用ldply:

companies$Name <- as.character(companies$Name)
c<-strsplit(companies$Name, "\\(")
ldply(c)

但是因为并非所有公司名称都有括号部分,所以它失败了:

Error in list_to_dataframe(res, attr(.data, "split_labels"), .id, id_as_factor) : 
  Results do not have equal lengths

我没有和strsplit解决方案结婚.无论删除该文本和括号都没关系.

Answer 1

A gsub应该在这里工作

gsub("\\s*\\([^\\)]+\\)","",as.character(companies$Name))

# [1] "Company A Inc"  "Company B"      "Company C Inc."
# [4] "Company D Inc." "Company E" 

在这里,我们只用"(...)"替换出现的东西(也删除任何前导空格).R使得它看起来比我们必须为括号所做的所有转义更糟糕,因为它们是正则表达式中的特殊字符.

Answer 2

您可以使用stringr::str_replace。很好，因为它接受因子变量。

companies <- data.frame(Name=c("Company A Inc (COMPA)","Company B (BEELINE)", 
                               "Company C Inc. (Coco)", "Company D Inc.", 
                               "Company E"))

library(stringr)
str_replace(companies$Name, " \\(.*\\)", "")
# [1] "Company A Inc"  "Company B"      "Company C Inc." 
# [4] "Company D Inc." "Company E"

而且，如果您仍然想使用strsplit，可以

companies$Name <- as.character(companies$Name)
unlist(strsplit(companies$Name, " \\(.*\\)"))
# [1] "Company A Inc"  "Company B"      "Company C Inc."
# [4] "Company D Inc." "Company E" 

Answer 3

如果括号是配对且平衡的，则可以使用

gsub("\\s*(\\([^()]*(?:(?1)[^()]*)*\\))", "", x, perl=TRUE)

在线查看正则表达式和R 演示：

companies  <-  data.frame(Name=c("Company A Inc (COMPA)","Company B (BEELINE)", "Company C Inc. (Coco)", "Company D Inc.", "Company E"))
gsub("\\s*(\\([^()]*(?:(?1)[^()]*)*\\))", "", companies$Name, perl=TRUE)

输出：

[1] "Company A Inc"  "Company B"      "Company C Inc." "Company D Inc."
[5] "Company E"     

正则表达式详细信息

• \s*- 零个或多个空格
• (\([^()]*(?:(?1)[^()]*)*\))- 捕获组 1（需要递归括号之间的模式部分）：
  • \(- 一个(字符
  • [^()]*(- 除and 之外的零个或多个字符)
  • (?:(?1)[^()]*)*- 整个第 1 组模式出现零次或多次（(?1)是递归第 1 组模式的正则表达式子例程），然后是除 和 之外的零个或多个(字符)
  • \)- 一个)字符。

Answer 4

你也可以使用:

library(qdap)
companies$Name <-  genX(companies$Name, " (", ")")

companies
        Name
1  Company A Inc
2       CompanyB
3 Company C Inc.
4 Company D Inc.
5       CompanyE

Answer 5

在你的情况下，它会达到预期的结果，只要你删除以 开头的所有内容 (。

sub(" \\(.*", "", companies$Name)
#[1] "Company A Inc"  "Company B"      "Company C Inc." "Company D Inc." "Company E"     

要从字符串中删除括号和文本，您可以使用。

sub("\\(.*)", "", c("ab (cd) ef", "(ij) kl"))
#[1] "ab  ef" " kl"   

如果有多个括号：

gsub("\\(.*?)", "", c("ab (cd) ef (gh)", "(ij) kl"))
#[1] "ab  ef " " kl"    

(需要转义\\(，.意味着一切，*意味着重复 0 到 n，?意味着非贪婪地删除从第一个到最后一个匹配的所有内容。

作为替代方案，您可以使用[^)]表示一切的意思，但不能使用).

sub("\\([^)]*)", "", c("ab (cd) ef", "(ij) kl"))
#[1] "ab  ef" " kl"   

gsub("\\([^)]*)", "", c("ab (cd) ef (gh)", "(ij) kl"))
#[1] "ab  ef " " kl"    

如果有嵌套括号：

gsub("\\(([^()]|(?R))*\\)", "", c("ab ((cd) ef) gh (ij)", "(ij) kl"), perl=TRUE)
#[1] "ab  gh " " kl"

其中a(?R)z是一个递归，它匹配一个或多个字母a，后跟完全相同数量的字母z。