时间戳

首页 > 解决方案 > 如果字符串包含子集

r - 如果字符串包含子集

问题描述

我有字符串向量。向量（字符串）的一些元素包含sp z o.o.“spółka z ograniczoną odpowiedzialnością”的首字母缩写词。

first sp.z.o.o.
second s.a          #should be removed
kpt spółka z ograniczoną odpowiedzialnością #should be removed, it is not acronym
third sp z o o 
fourth PP           #should be removed
fifth sp z o.o.
przedszkole niepubliczne im.janusza korczaka #should be removed
sixth               #should be removed
seventh sp z oo 
eighth LTD.         #should be removed
nineth sp-z-o-o
tenth spzoo
sklep spożywczy na górnych adam kłaptocz #should be removed
elita sp.c. zofia szatkowska, tomasz szatkowski #should be removed
eleventh sp.zo.o
towarzystwo przyjaciół chorych "sądeckie hospicjum" #should be removed

我只想对那些包含sp z o.o.带和不带空格/双空格、点、逗号和其他符号（例如 * | - 等）的所有可能组合的子集。为此，我尝试使用下面的代码，但它不起作用。
sample <- df[grepl("(sp\\.z\\.o\\.o\\.)", df$col_1), ]
并且已
sample <- df[grepl("(sp\\.*z\\.*o\\.*o\\.*)", df$col_1), ]
编辑：
Ronak Shah建议： grep('s.*p.*z.*o', x, value = TRUE)它有效，但返回不应子集的字符串，例如：
elita sp.c. zofia szatkowska, tomasz szatkowski
"społem" powszechna spółdzielnia spożywców w myśliborzu

我想对具有不同首字母缩写词变体的字符串进行子集化，sp z o.o.并避免所有不包含它的字符串

标签： rregex

解决方案

我们可以使用以下模式：

sample <- subset(df, grepl('s.*p.*z.*o', col_1))

当我们spzoo在字符串中有任何行时，这将选择行，而不管两者之间的任何内容。

我们可以在向量上测试正则表达式。

x <- c('first sp.z.o.o.', 'second s.a', 'third sp z o o', 'fourth PP',
       'fifth sp z o.o.', 'sixth', 'seventh sp z oo', 'eighth LTD.', 
       'nineth sp-z-o-o', 'tenth spzoo', 'eleventh sp.zo.o')

grep('s.*p.*z.*o', x, value = TRUE)

#[1] "first sp.z.o.o."  "third sp z o o"   "fifth sp z o.o."  "seventh sp z oo" 
#[5] "nineth sp-z-o-o"  "tenth spzoo"      "eleventh sp.zo.o"

编辑

对于更新的数据集，我们可以使用

sample <- subset(df, grepl('sp.?z.?o.?o', col_1))

推荐阅读