为不一致的当前子字符串制定捕获组
为不一致的当前子字符串制定捕获组
提问于 2021-11-27 12:14:08
我有一些部分不规则形成的采访记录：
tst <- c("In: ja COOL; #00:04:24-6# ",
" in den vier, FÜNF wochen, #00:04:57-8# ",
"In: jah, #00:02:07-8# ",
"In: [ja; ] #00:03:25-5# [ja; ] #00:03:26-1#",
" also jA:h; #00:03:16-6# (1.1)",
"Bz: [E::hm; ] #00:03:51-4# (3.0) ",
"Bz: [mhmh, ]",
" in den bilLIE da war;")我需要做的是通过将其关键元素提取到dataframe的列中来构造该数据。有四个这样的关键要素：
Rolein面试:受访者或interviewerUtterance：：面试伙伴的speechTimestampindicated，由#到endsGap，用括号
中的十进制数表示
问题是，Timestamp和Gap都是不一致的。虽然我可以为Gap设置最后一个捕获组，但是那些既没有Timestamp也没有Gap的字符串没有正确地呈现：
我使用来自tidyr的extract进行提取：
library(tidyr)
data.frame(tst) %>%
extract(col = tst,
into = c("Role", "Utterance", "Timestamp", "Gap"),
regex = "^(\\w{2}:\\s|\\s+)([\\S\\s]+?)\\s*#([^#]+)?#\\s*(\\([0-9.]+\\))?\\s*")
Role Utterance Timestamp Gap
1 In: ja COOL; 00:04:24-6
2 in den vier, FÜNF wochen, 00:04:57-8
3 In: jah, 00:02:07-8
4 In: [ja; ] 00:03:25-5
5 also jA:h; 00:03:16-6 (1.1)
6 Bz: [E::hm; ] 00:03:51-4 (3.0)
7 <NA> <NA> <NA> <NA>
8 <NA> <NA> <NA> <NA>如何对regex进行细化，使我得到所需的输出：
Role Utterance Timestamp Gap
1 In: ja COOL; 00:04:24-6
2 in den vier, FÜNF wochen, 00:04:57-8
3 In: jah, 00:02:07-8
4 In: [ja; ] 00:03:25-5
5 also jA:h; 00:03:16-6 (1.1)
6 Bz: [E::hm; ] 00:03:51-4 (3.0)
7 Bz: [mhmh, ]
8 in den bilLIE da war;回答 2
Stack Overflow用户
回答已采纳
发布于 2021-11-27 13:41:08
您可以更新您的模式以使用您的4个捕获组，并通过可选地匹配第3组和第4组并断言字符串的末尾，使最后一部分可选：
library(tidyr)
tst <- c("In: ja COOL; #00:04:24-6# ",
" in den vier, FÜNF wochen, #00:04:57-8# ",
"In: jah, #00:02:07-8# ",
"In: [ja; ] #00:03:25-5# [ja; ] #00:03:26-1#",
" also jA:h; #00:03:16-6# (1.1)",
"Bz: [E::hm; ] #00:03:51-4# (3.0) ",
"Bz: [mhmh, ]",
" in den bilLIE da war;")
data.frame(tst) %>%
extract(col = tst,
into = c("Role", "Utterance", "Timestamp", "Gap"),
regex = "^(\\w{2}:\\s|\\s+)([\\s\\S]*?)(?:\\s*#([^#]+)(?:#\\s*(\\([0-9.]+\\))?\\s*)?)?$")输出
Role Utterance Timestamp Gap
1 In: ja COOL; 00:04:24-6
2 in den vier, FÜNF wochen, 00:04:57-8
3 In: jah, 00:02:07-8
4 In: [ja; ] #00:03:25-5# [ja; ] 00:03:26-1
5 also jA:h; 00:03:16-6 (1.1)
6 Bz: [E::hm; ] 00:03:51-4 (3.0)
7 Bz: [mhmh, ]
8 in den bilLIE da war; Stack Overflow用户
发布于 2021-11-27 15:03:27
复杂正则表达式的一种替代方法是使用多个带有更简单正则表达式的提取体。之后，将任何NA转换为"“，并去掉不需要的空格。
library(dplyr)
library(tidyr)
data.frame(tst) %>%
extract(tst, "Gap", "(\\(.*?\\))", remove = FALSE) %>%
extract(tst, "Timestamp", "(#.*?#)", remove = FALSE) %>%
extract(tst, c("Role", "Utterance"), "^(\\S+:|)([^#]*)") %>%
mutate(across(, coalesce, ""), Utterance = trimws(Utterance))给予：
Role Utterance Timestamp Gap
1 In: ja COOL; #00:04:24-6#
2 in den vier, FÜNF wochen, #00:04:57-8#
3 In: jah, #00:02:07-8#
4 In: [ja; ] #00:03:25-5#
5 also jA:h; #00:03:16-6# (1.1)
6 Bz: [E::hm; ] #00:03:51-4# (3.0)
7 Bz: [mhmh, ]
8 in den bilLIE da war; 页面原文内容由Stack Overflow提供。腾讯云小微IT领域专用引擎提供翻译支持
原文链接：
https://stackoverflow.com/questions/70134684
复制相关文章
相似问题
腾讯云开发者
Copyright © 2013 - 2026 Tencent Cloud. All Rights Reserved. 腾讯云 版权所有
深圳市腾讯计算机系统有限公司 ICP备案/许可证号：粤B2-20090059 
粤公网安备44030502008569号
腾讯云计算（北京）有限责任公司 京ICP证150476号 | 京ICP备11018762号