Extrahieren von Zahlen und Text aus String in R

Question

Ich habe eine Zeichenfolge und möchte die ersten Sätze von drei Zahlen und drei beliebige Buchstaben neben jeder Zahl extrahieren und dann in einen Vektor einfügen. So folgt aus:

t1 <- "The string contains numbers ranging from 3-4 cm and can reach up to 5.6 m long, and sometimes can even reach 10 m." 

t1 würde:

"3-4 cm", "5.6 m", "10m" 

Ich habe verschiedene Funktionen regulärer Ausdrücke wie grep aufblickte, Grepl usw., kann aber nicht Beispiel finden, die meine Abfrage übereinstimmt. Irgendwelche Vorschläge?

Answer 1

können Sie versuchen, diesen regulären Ausdruck [0-9.-]+\\s+[a-zA-z]{1,3} und verwenden Sie die str_extract_all von stringr Paket ihnen zu extrahieren:

stringr::str_extract_all(t1, "[0-9.-]+\\s+[a-zA-Z]{1,3}") 
[[1]] 
[1] "3-4 cm" "5.6 m" "10 m" 

Answer 2

Hier ist, wie dies mit gregexpr() + regmatches() erfolgen:

ipartRE <- '\\d+'; 
fpartRE <- '\\.\\d+'; 
numRE <- paste0(ipartRE,'(?:',fpartRE,')?'); 
rangeRE <- paste0(numRE,'(?:\\s*-\\s*',numRE,')?'); 
pat <- paste0(rangeRE,'\\s*[a-zA-Z]{1,3}\\b'); 
regmatches(t1,gregexpr(perl=T,pat,t1))[[1L]]; 
## [1] "3-4 cm" "5.6 m" "10 m" 

I aufgebaut die Regex inkrementell aus Komponenten für die menschliche Lesbarkeit, aber offensichtlich müssen Sie das nicht tun.

Um dem neuen Muster zu entsprechen, müssen wir eine Alternierung für die zweite Zahl akzeptieren, die passende Klammern um die Zahl enthält. Ich fand auch, dass der Strich in 120(–150) cm in nicht einem normalen ASCII hyphen, sondern ist ein en dash, und so habe ich einen weiteren vorberechneten regulären Ausdruck Stück dashRE genannt, die alle drei gemeinsamen Strich Typen entspricht (ASCII, en Bindestrich und em dash):

ipartRE <- '\\d+'; 
fpartRE <- '\\.\\d+'; 
numRE <- paste0(ipartRE,'(?:',fpartRE,')?'); 
dashRE <- '[—–-]'; 
rangeOptParenRE <- paste0(numRE,'(?:\\s*(?:',dashRE,'\\s*',numRE,'|\\(\\s*',dashRE,'\\s*',numRE,'\\s*\\)\\s*))?'); 
pat <- paste0(rangeOptParenRE,'\\s*[a-zA-Z]{1,3}\\b'); 
regmatches(t1,gregexpr(perl=T,pat,t1))[[1L]]; 
## [1] "3-4 cm"  "120(–150) cm" "5.6 m"  "10 m"