regex - "opposite"结果的正则表达式

Question

取以下字符向量x

x <- c("1     Date in the form", "2     Number of game", 
       "3     Day of week", "4-5     Visiting team and league")

我想要的结果是以下向量，其中每个字符串中的第一个大写单词，并且如果字符串包含 - ，也是最后一句话。

[1] "Date"     "Number"   "Day"      "Visiting" "league"  

所以而不是这样做

unlist(sapply(strsplit(x, "[[:blank:]]+|, "), function(y){
   if(grepl("[-]", y[1])) c(y[2], tail(y,1)) else y[2] 
}))

为了得到结果，我想我可以尝试将其缩短为正则表达式。结果几乎与 sub 中的这个正则表达式“相反” 。我已经尝试了各种方法来获得相反的结果，使用不同品种的[^A-Za-z]+等等，但尚未成功。

> sub("[A-Z][a-z]+", "", x)
[1] "1      in the form"       "2      of game"           
[3] "3      of week"           "4-5      team and league"

所以我想这是一个由两部分组成的问题。

1. 与 sub()或gsub() ，如何返回 "[A-Z][a-z]+" 的相反值？

2. 如何将正则表达式编写为“匹配第一个大写单词，如果字符串包含 -，则还匹配最后一个单词。”？ p>

Answer 1

以下是一些建议:

1. 要使用 sub 提取第一个大写单词，您可以使用

   sub(".*\\b([A-Z].*?)\\b.*", "\\1", x)
   #[1] "Date"     "Number"   "Day"      "Visiting"
   

   其中 \\b 表示单词边界。

2. 您还可以使用一个 sub 命令提取所有单词，但请注意，您必须应用额外的步骤，因为 sub 返回的向量长度与输入向量x的长度相同。

   以下正则表达式使用前瞻 ((?=.*-)) 来测试字符串中是否存在 -。如果是这种情况，则提取两个词。如果不存在，则应用逻辑 or (|) 之后的正则表达式，并仅返回第一个大写单词。

   res <- sub("(?:(?=.*-).*\\b([A-Z].*?\\b ).*\\b(.+)$)|(?:.*\\b([A-Z].*?)\\b.*)", 
              "\\1\\2\\3", x, perl = TRUE)
   # [1] "Date"            "Number"          "Day"             "Visiting league"
   

   为了分隔同一字符串中的多个单词，还需要一个额外的步骤:

   unlist(strsplit(res, " ", fixed = TRUE))
   # [1] "Date"     "Number"   "Day"      "Visiting" "league"