使用R，如何在这个案例中正确使用str_extract？

Question

我从Ronak Shah和akrun（在本文中）那里学到了如何构造正则表达式，以从数据帧（在我的示例中为alldata）中排除除这些单词之外的所有术语，

^\B WORD 1|WORD 2|WORD 3|WORD 4|WORD 5\

但出于某些原因，我不明白为什么它给了我

“WORD2”，“WORD3”，不适用

而不是

“WORD1 WORD2 WORD5”，“WORD3”，不适用

以下是我的示例：

library(stringr)
alldata <- data.frame(toupper(c("word1 anotherword word2 word5", "word3", "none")))
names(alldata)<-"columna"
removeex <- c("word1" , "word2"  ,"word3" ,"word4", "word5")
regularexprex <- toupper(paste0("^\\b",paste0(removeex, collapse = "|"), "\\>"))
alldata$columnb <- str_extract(alldata$columna, regularexprex)

我试图在正则表达式的末尾添加or，但没有任何效果。

由于我是正则表达式的初学者，我肯定错过了一些东西，有人可以指导我吗？问候，

Answer 1

您需要将上述代码中的最后两行替换为

> regularexprex <- paste0("(?i)\\s*\\b(?!(?:",paste0(removeex, collapse = "|"), ")\\b)\\w+")
## => "(?i)\\s*\\b(?!(?:word1|word2|word3|word4|word5)\\b)\\w+"
> str_replace_all(alldata$columna, regularexprex, "")
[1] "WORD1 WORD2 WORD5" "WORD3"             ""   

首先，toupper（）将\b转换为\b（非文字边界）-您只需要不区分大小写的匹配（我添加了（？I）修饰符），文字边界不应用于组，仅应用于两侧的项目。

此外，您需要的是一个模式来匹配整个字符串，因此* 。

替换的最终正则表达式如下所示

(?i)\s*\b(?!(?:word1|word2|word3|word4|word5)\b)\w+

查看正则表达式演示

如果条目包含换行符，则还应添加修饰符：（？i）-

详情：

• （？ i）-不区分大小写的修饰符（适用于PCRE和ICU正则表达式）
• \s*-0个空格
• \b-前导词边界
• (?!(?:word1|word2|word3|word4|word5）\b）-单词不能等于word1等。
• \w-1个单词字符（字母、数字或下划线）。