regex - 从字符串中解析出 ISIN

Question

我想从一个非常奇怪的字符串中解析出一个 ISIN，我的代码如下所示:

> df <- fread("C:/Users/WZHPCH/Desktop/Error Messages/df.csv", sep=";", stringsAsFactors=FALSE)
> dput(df)
structure(list(ID = c(1L, 2L, 4L, 2L, 3L, 24L), VAL = c("TES+XS0255015603+ae2s", 
"TEST*XS0255015603+d2aasd", "safd*adf*XS0255015603++", "gasdfs*dsa*US0917971006", 
"asdfsUS0917971006adf", "sd-asd-afds-US0917971006")), .Names = c("ID", 
"VAL"), row.names = c(NA, -6L), class = c("data.table", "data.frame"
), .internal.selfref = <pointer: 0x0000000000110788>)
> df$parsedISIN <- gsub("^[a-zA-Z]{2}[0-9]{10}$", '\\1', df$VAL)

我在使用 gsub 时做错了什么？

有什么推荐吗？

我很感激你的回复!

Answer 1

这里有几个问题:

1) 即使问题使用了 dput该对象中有一个指针，因此它不能在其他系统上使用。我已经编辑了要给出的指针:

df <-
structure(list(ID = c(1L, 2L, 4L, 2L, 3L, 24L), VAL = c("TES+XS0255015603+ae2s", 
"TEST*XS0255015603+d2aasd", "safd*adf*XS0255015603++", "gasdfs*dsa*US0917971006", 
"asdfsUS0917971006adf", "sd-asd-afds-US0917971006")), .Names = c("ID", 
"VAL"), row.names = c(NA, -6L), class = c("data.table", "data.frame"))

2)代码引用df.gem$Attributes .应该是 df$VAL .

3) gsub应该是 sub因为每个组件中只出现一次。

4) 匹配仅在它从字符串的开头开始并在字符串的末尾结束时才匹配，但如果它在字符串内则不匹配，这里就是这种情况。

5) 要使用 sub，我们需要匹配所有内容并仅捕获我们需要的内容，以便我们可以排除不需要的内容。

尝试这个:

pat <- ".*([a-zA-Z]{2}[0-9]{10}).*"
sub(pat, "\\1", df$VAL)

这使:

[1] "XS0255015603" "XS0255015603" "XS0255015603" "US0917971006" "US0917971006"
[6] "US0917971006"

这是正则表达式的可视化，pat :

.*([a-zA-Z]{2}[0-9]{10}).*

Debuggex Demo

注:一个稍微简单的方法是使用 strapplyc在 gsubfn直接提取模式。在这种情况下，正则表达式稍微简化:

library(gsubfn)
strapplyc(df$VAL, "[a-zA-Z]{2}[0-9]{10}", simplify = TRUE)

这是一个可视化:

[a-zA-Z]{2}[0-9]{10}

Debuggex Demo