R中2个逗号之间的正则表达式提取文本数据

Question

我在数据帧(df)中有一堆文本,通常在1列中包含三行地址,我的目标是提取区域(文本的中心部分),例如:

73 Greenhill Gardens, Wandsworth, London
22 Acacia Heights, Lambeth, London

幸运的是,在95%的情况下,输入数据的人使用逗号分隔我想要的文本,其中100%的时间结束",伦敦"(即逗号空间伦敦).为了清楚地说明事情,我的目标是在",伦敦"和之前的逗号之后提取文本

我想要的输出是:

Wandsworth
Lambeth

我之前可以设法提取部分:

df$extraction <- sub('.*,\\s*','',address)

之后

df$extraction <- sub('.*,\\s*','',address)

但不是我需要的中间部分.有人可以帮忙吗？

非常感谢!

Answer 1

您可以省去正则表达式的头痛并将矢量视为CSV,使用文件读取功能来提取相关部分.我们可以利用可用于删除列read.csv()的事实colClasses.

address <- c(
    "73 Greenhill Gardens, Wandsworth, London", 
    "22 Acacia Heights, Lambeth, London"
)

read.csv(text = address, colClasses = c("NULL", "character", "NULL"), 
    header = FALSE, strip.white = TRUE)[[1L]]
# [1] "Wandsworth" "Lambeth"   

或者我们可以使用fread().它的select论点很好,它会自动剥离空白区域.

data.table::fread(paste(address, collapse = "\n"), 
    select = 2, header = FALSE)[[1L]]
# [1] "Wandsworth" "Lambeth" 

Answer 2

以下是几种方法:

# target ", London" and the start of the string
# up until the first comma followed by a space,
# and replace with ""
gsub("^.+?, |, London", "", address)
#[1] "Wandsworth" "Lambeth" 

要么

# target the whole string, but use a capture group 
# for the text before ", London" and after the first comma.
# replace the string with the captured group.
sub(".+, (.*), London", "\\1", address)
#[1] "Wandsworth" "Lambeth"