7

假设将 900 多个公司名称粘贴在一起以使用管道分隔符“firm.pat”形成正则表达式模式。

firm.pat <- str_c(firms$firm, collapse = "|")

使用一个名为“bio”的数据框，它有一个名为“comment”的大字符变量（每行 250 行，每行 100 多个单词），我想用空格替换所有公司名称。gsub调用和调用都str_replace_all返回相同的神秘错误。

bio$comment <- gsub(pattern = firm.pat, x = bio$comment, replacement = "")
Error in gsub(pattern = firm.pat, x = bio$comment, replacement = "") : 
  assertion 'tree->num_tags == num_tags' failed in executing regexp: file 'tre-compile.c', line 634

library(stringr)
bio$comment <- str_replace_all(bio$comment, firm.pat,  "")
Error: assertion 'tree->num_tags == num_tags' failed in executing regexp: file 'tre-compile.c', line 634

traceback()没有启发我。

> traceback()
4: gsub("aaronson rappaport|adams reese|adelson testan|adler pollock|ahlers cooney|ahmuty demers|akerman|akin gump|allen kopet|allen matkins|alston bird|alston hunt|alvarado smith|anderson kill|andrews kurth|archer 

# hundreds of lines of company names omitted here

lties in all 50 states and washington, dc. results are compiled through a peer-review survey in which thousands of lawyers in the u.s. confidentially evaluate their professional peers."
       ), fixed = FALSE, ignore.case = FALSE, perl = FALSE)
3: do.call(f, compact(args))
2: re_call("gsub", string, pattern, replacement)
1: str_replace_all(bio$comment, firm.pat, "")

其他三篇帖子提到了 SO 上的神秘错误，一个传递参考并引用了另外两个倾斜参考，但没有讨论。

我知道这个问题缺少可重现的代码，但即便如此，我如何找出错误解释的内容？更好的是，我如何避免抛出错误？少数公司似乎不会出现该错误，但我无法检测到模式或阈值。我正在运行 Windows 8、RStudio、每个包的更新版本。

谢谢你。

4

2 回答 2

7

对于由数百个制造商名称组成的模式，我遇到了同样的问题。正如我可以建议的那样，模式太长了，所以我把它分成两个或多个模式，效果很好。

  ml<-length(firms$firm)
  xyz<-gsub(sprintf("(*UCP)\\b(%s)\\b", paste(head(firms$firm,n=ml/2), collapse = "|")), "", bio$comment, perl=TRUE)
  xyz<-gsub(sprintf("(*UCP)\\b(%s)\\b", paste(tail(firms$firm,n=ml/2), collapse = "|")), "", xyz, perl=TRUE)
于 2015-03-23T12:19:23.997 回答
2

您可以在 qdap 包中使用 mgsub，它是 gsub 的扩展，用于处理模式和替换向量。

请参考这个答案

于 2017-05-03T11:49:01.887 回答