使用 R 从长字符串中提取单词的一部分到字段中

如何解决使用 R 从长字符串中提取单词的一部分到字段中

我有一个带有 3 个 obs 的长字符串变量。我试图创建一个字段 prob 来从长字符串中提取特定的字符串。代码和消息如下。

data aa: "成为携带者的概率为 0.0002422359 " " BRCA1 携带者 0.0001061067 " " BRCA2 载体 0.00013612 "

在此处输入代码 aa$prob

警告信息：在 aa$prob

解决方法

这是我的 previous answer，已更新以反映 data.frame。

library(dplyr)

aa <- data.frame(aa = c("...","...","The probability of being a carrier is 0.0002422359 "," an BRCA1 carrier 0.0001061067 "," an BRCA2 carrier 0.00013612 ","..."))

aa %>%
  mutate(prob = as.numeric(if_else(grepl("(probability|BRCA[12] carrier)",aa),gsub("^.*?\\b([0-9]+\\.?[0-9]*)\\s*$","\\1",NA_character_)))
#                                                    aa         prob
# 1                                                 ...           NA
# 2                                                 ...           NA
# 3 The probability of being a carrier is 0.0002422359  0.0002422359
# 4                      an BRCA1 carrier 0.0001061067  0.0001061067
# 5                        an BRCA2 carrier 0.00013612  0.0001361200
# 6                                                 ...           NA

正则表达式演练：

• ^ 和 $ 分别是字符串的开头和结尾； \\b 是一个词边界；这些都没有“消耗”任何字符，它们只是标记开始和结束
• . 表示一个字符
• ? 表示“零或一”，又名可选； * 表示“零个或多个”； + 表示“一个或多个”；都指上一个字符/类/组
• \\s 是空格，包括空格和制表符
• [0-9] 是一个类，表示 0 到 9 之间的任何字符；同样，[a-z] 都是小写字母，[a-zA-Z] 都是字母，[0-9A-F] 都是十六进制数字，等等
• (...) 是一个保存的组；在组中使用 | 作为“或”并不少见；此组稍后在 replacement= 的 gsub 部分用作编号组，因此 \\1 会调用模式中的第一组

如此分组和总结：

  "^.*?\\b([0-9]+\\.?[0-9]*)\\s*$"
1         ^^^^^^^^^^^^^^^^^^
2      ^^^
3   ^^^
4                           ^^^^

1. 这是“数字”部分，它允许一个或多个数字、一个可选的小数点以及零个或多个数字。这保存在组“1”中。
2. 单词边界保证我们包含前导数字（根据一些情况，"12.345" 可能会在没有这个的情况下被解析为 "2.345"。
3. 类似数字的字符串之前的任何内容。
4. 数字后有空格或没有空格。

按逻辑分组，有组织的方式

Regex 不是 R 独有的，它是 R（和大多数其他编程语言）以某种方式支持的一种解析语言。