2

Rを使った文字列処理に関する質問です.

例えば

"XhogehogeY"

という文字列があったときに,
XとYを指定して"hogehoge"を取り出すにはどうしたら良いでしょうか?

教えて下さいお願いします.

追記-----------------------------------------------------------------------------------------
様々な回答ありがとうございます.
一旦は解決したのですが,文字列に日本語を含む場合にエラーが出たので改めて質問させてください.

文字列

"pogepoge開始:hogehoge終pogepoge終"

から"hogehoge"を取り出したいです.
しかし,

> str_extract("pogepoge開始:hogehoge終pogepoge終","(?<=開始:)(.*?)(?=終)")
[1] NA

として切り出そうとするとNAとなるのです.

> str_detect("pogepoge開始:hogehoge終pogepoge終","(?<=開始:)(.*?)(?=終)")
[1] TRUE

となっているので確かにマッチしているはずですが...

以下のように"始:"としたら切り出せました.

> str_extract("pogepoge開始:hogehoge終pogepoge終","(?<=始:)(.*?)(?=終)")
[1] "hogehoge"

しかし"始:"では他の文字列とマッチしてしまうので,"開始:"で切り出したいのです.

1
  • 日本語を含む文字列の場合を追記しました.
    – kamioka
    Commented 2015年11月3日 9:58

4 件の回答 4

2

同じ {stringr}パッケージのstr_replace()関数を使った抽出パターンをかんがえてみました。今回の場合、文字列のはじめにX、最後にYということでしたので、それらを空白で置換するという方法です。

library(stringr)
str_replace_all("XhogehogeY", "^X|Y$", "")
# [1] "hogehoge"

コメントのパターンに関しては、つぎのようにすることで対象の文字列を抽出出来ました。

str_replace_all("STARThogehogeENDpogepogeEND", "^START|END.*", "")
# 文字列の始めのSTART、最初のEND以降を空白で置換
# [1] "hogehoge"

外部パッケージを利用しないパターンは、gsub()を使って同様につぎのようにします。

gsub("^X|Y$", "", "XhogeY")
gsub("^START|END.*", "", "STARThogehogeENDpogepogeEND")
1

str_detect()str_extract() をソースコード上で調べてみました。

# stringr 1.0.0 は stringi の wrapper です。

str_detect():stringi/src/stri_search_regex_detect.cpp

StriContainerUTF16 str_cont(str, vectorize_length);
//   StriContainerUTF8 str_cont(str, vectorize_length); // utext_openUTF8, see below
StriContainerRegexPattern pattern_cont(pattern, vectorize_length, pattern_flags);

str_extract():stringi/src/stri_search_regex_extract.cpp

StriContainerUTF8 str_cont(str, vectorize_length);
StriContainerRegexPattern pattern_cont(pattern, vectorize_length, pattern_flags);

str_detect() では処理対象の文字列を格納する変数 str_cont の型が StriContainerUTF8 から StriContainerUTF16 に変更されているのですが、str_extract() ではそのままです。

近い将来、str_extract()StriContainerUTF16 に変更されるかも知れません(pull request を出す方が良いのかも知れませんが…)。

stringr を使わない方法でも良いのであれば、前の回答に書いておいた方法を使ってみてはいかがでしょうか。

> unlist(strsplit("pogepoge開始:hogehoge終pogepoge終", "開始:|終"))[2]
[1] "hogehoge"
3
  • ありがとうございます.関数の仕様なのですね. unlist(strsplit("pogepoge開始:hogehoge終pogepoge終", "開始:|終"))[2]でどうか,とのことですが,実際に対象としている文字列はNAや空白,改行を含む長い文字列なのです. だからかも知れませんが, > unlist(strsplit(txt, "開始:|終"))[2] Error in strsplit(txt, "開始:|終") : non-character argument となりました. またtxtlistなのですがそれは関係するのでしょうか
    – kamioka
    Commented 2015年11月3日 13:54
  • txtlist であれば stringr::str_split の方が良いかと思います。str_splitstr_detect と同様に StriContainerUTF16 に変更されていますので、期待通りの結果を返してくれます。例えば、sapply(str_split(txt, "開始:|終"), function(r) r[2]) とします。
    – user9156
    Commented 2015年11月3日 14:07
  • 1
    txt <- txt[[1]]としてtxtcharacterにし,for(i in 1:length(txt)) { str_detect(txt[i],"(?<=開始:)(.*?)(?=終)") }として対象の文字列が含まれる要素番号を検出して,対象の文字列"X始:ZZZ終 XXX:YYY終 開始:hogehoge終"を取り出し,strsplitを使って目的の文字列を抽出できました.
    – kamioka
    Commented 2015年11月3日 15:40
1

これは、正規表現の「肯定的先読み(positive lookahead)」「肯定的後読み(positive lookbehind)」を使うとうまくマッチさせることができます。
参考:http://d.hatena.ne.jp/a_bicky/20100530/1275195072

例えば、stringrというパッケージだとこの正規表現が使えます。

library(stringr)
str_extract("XhogehogeY", "(?<=X)(.*)(?=Y)")
#> [1] "hogehoge"

(標準の関数でも使えるのかもしれませんが、よくわかりませんでした。すみません...)

2
  • ありがとうございます.大変助かります. ただ,"STARThogehogeENDpogepogeEND"とあった場合にはどうしたら"hogehoge"を取り出せますか? str_extract("STARThogehogeENDpogepogeEND", "(?<=START)(.*)(?=END)") ではNANが帰ってきました
    – kamioka
    Commented 2015年11月2日 17:18
  • 1
    @kamioka stringr version 1.0.0 では "hogehogeENDpogepoge" が返ります。なお、str_extract("STARThogehogeENDpogepogeEND", "(?<=START)(.*?)(?=END)") とすると((.*)(.*?) に変更)、"hogehoge" が返ります。両指定子に ? を付けることで最短マッチになります。付けないと最長マッチになります。
    – user9156
    Commented 2015年11月2日 22:32
1

"STARThogehogeENDpogepogeEND"とあった場合にはどうしたら"hogehoge"を取り出せますか?

既に回答が付いていますが、別の方法で処理してみます。

R の sub()gsub() では perl の正規表現(肯定的先読み・後読みなど)を使う事ができます。

> ?sub
sub(pattern, replacement, x, ignore.case = FALSE, perl = FALSE, ...
gsub(pattern, replacement, x, ignore.case = FALSE, perl = FALSE, ...
regexpr(pattern, text, ignore.case = FALSE, perl = FALSE, ...
                 :
perl: logical. Should perl-compatible regexps be used?
                 :

ここでは regexpr() を使ってみます。

> txt <- "STARThogehogeENDpogepogeEND"
> m <- regexpr("(?<=START).*?(?=END)", txt, perl=T)
> substr(txt, m, m + attr(m, "match.length") - 1)
[1] "hogehoge"

その他、strsplit() を使う方法もあります。

> unlist(strsplit("STARThogehogeENDpogepogeEND", "START|END"))[2]
[1] "hogehoge"

この質問に回答するには、ログインする必要があります。

求めていた回答ではありませんか? のタグが付いた他の質問を参照する。