R - 使用正则表达式,在字符串中的第n个punct之前设置位置并删除后面的内容

Question

我有一个大型数据框,其中包含一列字符串数据,当前包含一组名称,在某些情况下还包含一个电子邮件地址.我想找一个正则表达式,允许我在第二个逗号之前设置位置,在这些情况下使用电子邮件地址,然后删除后面的内容,以便我留下一个名字的"作者"列,不包括电子邮件.

> author<-c("Doe, Jane", "Smith, John", "Doe, John, johndoe@xyz.net", "Smith, Jane")
> ID<- c(1:4)   
> df<-cbind(author, ID)

> df

  author                         ID 
[1,] Doe, Jane                   1
[2,] Smith, John                 2
[3,] Doe, John, johndoe@xyz.net  3
[4,] Smith, Jane                 4

我希望输出看起来如下

>df

author                            ID 
[1,] Doe, Jane                    1
[2,] Smith, John                  2
[3,] Doe, John                    3
[4,] Smith, Jane                  4

Answer 1

使用sub功能.[^,]*匹配任何字符,但不匹配,零次或多次.

> author<-c("Doe, Jane", "Smith, John", "Doe, John, johndoe@xyz.net", "Smith, Jane")
> sub("^([^,]*,[^,]*),.*", "\\1", author)
[1] "Doe, Jane"   "Smith, John" "Doe, John"   "Smith, Jane"
> ID<- c(1:4)
> df<-cbind(author=sub("^([^,]*,[^,]*),.*", "\\1", author), ID)
> df
     author        ID 
[1,] "Doe, Jane"   "1"
[2,] "Smith, John" "2"
[3,] "Doe, John"   "3"
[4,] "Smith, Jane" "4"

说明:

• ^ 断言我们刚开始.
• ([^,]*,[^,]*),(...)称为捕获组,用于捕获与捕获组内部存在的模式匹配的那些字符.在我们的例子中,捕获组内存在的模式是[^,]*,[^,]*.我已经提到过,这[^,]*匹配任何字符,但不是逗号,零次或多次.因此[^,]*,[^,]*匹配从开始到达第二个逗号的所有字符.([^,]*,[^,]*)捕获那些匹配的字符并将其存储到组索引1中.我们可以通过指定它的索引号来引用捕获组内存在的字符.这称为反向引用.
• ,.* 现在,这匹配第二个逗号和以下零个或多个字符.
• sub和gsub函数将用替换部分中提到的字符串替换所有匹配的字符.所以在我们的例子中,所有匹配的字符都被组索引1中的字符替换.这就是我们\\1在替换部分中使用的原因.