r - Using gsub to extract character string before white space in R

Question

I have a list of birthdays that look something like this:

dob <- c("9/9/43 12:00 AM/PM", "9/17/88 12:00 AM/PM", "11/21/48 12:00 AM/PM")

I want to just grab the calendar date from this variable (ie drop everything after the first occurrence of white-space).

Here's what I have tried so far:

dob.abridged <- substring(dob,1,8)
dob
[1] "9/9/43 1" "9/17/88 " "11/21/48"
dob.abridged <- gsub(" $","", dob.abridged, perl=T)
> dob.abridged
[1] "9/9/43 1" "9/17/88"  "11/21/48"

So my code works for calendar dates of length 6 or 7, but not length 8. Any pointers on a more effective regex to use with gsub that can handle calendar dates of length 6, 7 or 8?

Thank you.

Answer 1

不需要substring，只需使用gsub：

gsub( " .*$", "", dob )
# [1] "9/9/43"   "9/17/88"  "11/21/48"

一个空格 ( )，然后是任意字符 ( .) 任意次数 ( *)，直到字符串结尾 ( $)。请参阅?regex来学习正则表达式。

Answer 2

我经常使用strsplit这些类型的问题，但喜欢 Romain 的答案是多么简单。我认为将 Romain 的解决方案与strsplit答案进行比较会很有趣：

这是一个strsplit解决方案：

sapply(strsplit(dob, "\\s+"), "[", 1)

使用 microbenchmark 包和dob <- rep(dob, 1000)原始数据：

Unit: milliseconds
                                    expr       min        lq    median
                   gsub(" .*$", "", dob)  4.228843  4.247969  4.258232
 sapply(strsplit(dob, "\\\\s+"), "[", 1) 14.438241 14.558832 14.634638
        uq       max neval
  4.268029  5.081608  1000
 14.756628 53.344984  1000

Win 7 机器上的明显赢家是gsub来自 Romain 的正则表达式。感谢罗曼的回答和解释。

Answer 3

该库stringr包含针对此问题量身定制的功能。

library(stringr)
word(dob,1)
# [1] "9/9/43"   "9/17/88"  "11/21/48"

Answer 4

在空格之前从字母中提取字符的另一种方法是：

您必须安装软件包：“stringr”

stringr::str_extract(c("juan carlos", "miguel angel"), stringr::regex(pattern = "[a-z]+(?=\\s)", ignore_case = F))

[a-z]: 匹配 a 和 z 之间的每个字符（按 Unicode 代码点顺序）。

+: 1 个或更多。

(?=\\s): Lookahead，后跟 \s（即空格）（不匹配 \s）。

更多信息：https ://stringr.tidyverse.org/articles/regular-expressions.html

Answer 5

另一种仅提取日期的正则表达式模式

library(stringr)
str_extract(dob, regex("\\d{1,}\\/\\d{1,}\\/\\d{1,}"))
#[1] "9/9/43"   "9/17/88"  "11/21/48"

• \\d{1,}: 匹配数字至少 1 次
• \\/: 转义正斜杠