如何在R中使用带有`grep`的引用？

Question

我正在寻找一种使用R中的正则表达式返回引用的优雅方法.我解释一下:

假设我想找到以月名开头的字符串:

x <- c("May, 1, 2011", "30 June 2011")
grep("May|^June", x, value=TRUE)
[1] "May, 1, 2011"

这有效,但我真的想隔离月份(即"五月",而不是整个匹配的字符串.

因此,可以使用参数gsub返回后向引用substitute.但这有两个问题:

1. 你必须将模式包装在".*(pattern).*)"中,以便在整个字符串上进行替换.
2. 而不是为非匹配字符串返回NA,而是gsub返回原始字符串.这显然不是我想要的:

代码和结果:

gsub(".*(^May|^June).*", "\\1", x) 
[1] "May"          "30 June 2011"

我可以通过执行各种额外的检查来编写解决方法,但这很快变得非常混乱.

为了清楚起见,期望的结果应该是:

[1] "May"          NA

有没有一种简单的方法来实现这一目标？

Answer 1

regexpr类似于grep,但返回每个字符串中(第一个)匹配的位置和长度:

> x <- c("May, 1, 2011", "30 June 2011", "June 2012")
> m <- regexpr("May|^June", x)
> m
[1]  1 -1  1
attr(,"match.length")
[1]  3 -1  4

这意味着第一个字符串的长度为3的匹配位于第1个位置,第二个字符串没有匹配,第三个字符串在位置1处具有长度为4的匹配.

要提取匹配项,您可以使用以下内容:

> m[m < 0] = NA
> substr(x, m, m + attr(m, "match.length") - 1)
[1] "May"  NA     "June"

Answer 2

该stringr软件包具有完全用于此目的的功能:

library(stringr)
x <- c("May, 1, 2011", "30 June 2011", "June 2012")
str_extract(x, "May|^June")
# [1] "May"  NA     "June"

它是一个相当薄的包装器regexpr,但stringr通常通过比基本R函数更一致来使字符串处理更容易.