R регулярен израз извлича текст, който не следва непосредствено шаблона

Имам рамка с данни с колона, съдържаща полуструктуриран текст. Търся определена информация, но те имат модел, който не съм сигурен как да използвам.

head(events5)
     flight_history_id         date_time_recorded              event
862          280604281 2012-11-13 17:55:58.673-08 Arrival Estimation
5514         280316415 2012-11-12 17:25:08.814-08    Time Adjustment
5527         280315758 2012-11-12 16:10:06.968-08    Time Adjustment
5539         280316495 2012-11-12 15:38:10.099-08    Time Adjustment
5545         280303866 2012-11-13 06:51:45.831-08    Time Adjustment
5558         280303866 2012-11-12 05:50:23.547-08    Time Adjustment
                                                                               data_updated
862                                                     EGA- Based on Distance and Airspeed
5514                        EGD- New=11/13/12 20:20, DGATE- New=A1, EGA- New=11/13/12 21:00
5527         EGD- New=11/13/12 19:05, DGATE- New=A7, EGA- New=11/13/12 20:50, AGATE- New=C5
5539                        EGD- New=11/13/12 06:35, DGATE- New=A1, EGA- New=11/13/12 07:15
5545 AGD- Old=11/13/12 07:40 New=11/13/12 07:38, EGA- Old=11/13/12 10:25 New=11/13/12 10:18
5558         EGD- New=11/13/12 07:45, DGATE- New=11, EGA- New=11/13/12 10:25, AGATE- New=A1

ето го dput:

structure(list(flight_history_id = c(280604281L, 280316415L, 
280315758L, 280316495L, 280303866L, 280303866L, 280271465L, 280271465L, 
280271465L, 280271465L), date_time_recorded = structure(c(10L, 
4L, 3L, 2L, 7L, 1L, 9L, 8L, 6L, 5L), .Label = c("2012-11-12 05:50:23.547-08", 
"2012-11-12 15:38:10.099-08", "2012-11-12 16:10:06.968-08", "2012-11-12 17:25:08.814-08", 
"2012-11-12 17:58:14.268-08", "2012-11-13 05:16:41.01-08", "2012-11-13 06:51:45.831-08", 
"2012-11-13 07:38:19.593-08", "2012-11-13 07:54:22.588-08", "2012-11-13 17:55:58.673-08"
), class = "factor"), event = structure(c(1L, 2L, 2L, 2L, 2L, 
2L, 2L, 2L, 2L, 2L), .Label = c("Arrival Estimation", "Time Adjustment"
), class = "factor"), data_updated = structure(c(3L, 8L, 7L, 
4L, 2L, 5L, 1L, 10L, 9L, 6L), .Label = c("AGD- New=11/13/12 10:22, EGA- Old=11/13/12 11:20 New=11/13/12 11:09", 
"AGD- Old=11/13/12 07:40 New=11/13/12 07:38, EGA- Old=11/13/12 10:25 New=11/13/12 10:18", 
"EGA- Based on Distance and Airspeed", "EGD- New=11/13/12 06:35, DGATE- New=A1, EGA- New=11/13/12 07:15", 
"EGD- New=11/13/12 07:45, DGATE- New=11, EGA- New=11/13/12 10:25, AGATE- New=A1", 
"EGD- New=11/13/12 08:55, EGA- New=11/13/12 09:45, AGATE- New=A1", 
"EGD- New=11/13/12 19:05, DGATE- New=A7, EGA- New=11/13/12 20:50, AGATE- New=C5", 
"EGD- New=11/13/12 20:20, DGATE- New=A1, EGA- New=11/13/12 21:00", 
"EGD- Old=11/13/12 08:55 New=11/13/12 10:05, EGA- Old=11/13/12 09:45 New=11/13/12 10:55", 
"EGD- Old=11/13/12 10:05 New=11/13/12 10:30, EGA- Old=11/13/12 10:55 New=11/13/12 11:20"
), class = "factor")), .Names = c("flight_history_id", "date_time_recorded", 
"event", "data_updated"), row.names = c(862L, 5514L, 5527L, 5539L, 
5545L, 5558L, 5564L, 5566L, 5570L, 5572L), class = "data.frame")

Опитвам се да извлека поле 'New=' част от частите, започващи с 'EGA' от колона 'data_updated'. Проблемът понякога е, че има поле „Old=“ между двете. Разгледах използването на stringr::str_split и превръщането на колоната в списък, но все още имам същия проблем. Предполагам, че това е проблем с regex/gsub, но не знам точно как да го внедря.

Някакви предположения?

РЕДАКТИРАНЕ: Бих искал крайният продукт да бъде вектор / колона с EGA/нова стойност. Така че нещо като това:

NA
11/13/12 21:00
11/13/12 20:50
11/13/12 07:15
11/13/12 10:18
11/13/12 10:25

r regex gsub
person screechOwl    schedule 25.12.2012    source източник

Отговори (4)


arrow_upward
1
arrow_downward

Ето едно решение от началото до края:

##formats of the date-times
date.format <- "\\d{2}/\\d{2}/\\d{2} \\d{2}:\\d{2}"
##puts this together into a regex
regex.string <- paste0("EGA- (?:Old=",date.format," )?New=(",date.format,")")

##if pattern matches, get the part of "new" we are looking for
##otherwise NA
ifelse(grepl(regex.string,events5$data_updated),
  gsub(paste0("^.*",regex.string,".*$"),"\\1",events5$data_updated),
  NA_character_)
person Blue Magister    schedule 26.12.2012

arrow_upward
2
arrow_downward

Ето алтернатива, която в сравнение с регулярния израз на @Pharaoh ще работи с неограничено количество текст след EGA-маркера

/EGA-(?:(?!New=|").)+(New=[:\d\/ ]+)/g

Ако " в отрицателния поглед напред е твърде общ, можете просто да го промените, за да кажете EGD.

Демо+обяснение: http://regex101.com/r/qY4uA0

Премахнете флага и разделителите, ако не са необходими.

person Firas Dib    schedule 25.12.2012
comment
Не прескачате ли цели записи, като EGA- Based on Distance and Airspeed 5514 EGD- New=11/13/12 20:20 (празните интервали и прекъсванията на редовете са изрязани), така че да получите грешното New=? // Да, вие сте, току-що проверих вашата демонстрация - person Pharaoh; 26.12.2012
comment
Това е абсолютно правилно @Pharaoh. Това го бях пропуснал. Нека стигна до него. Редактиране: готово - person Firas Dib; 26.12.2012
comment
@Lindrian: как да включа това в изявление на gsub? - person screechOwl; 26.12.2012
comment
@screechOwl: Искате ли да съвпаднете или замените тук? gsub(pattern, replacement) → new_str - person Firas Dib; 26.12.2012
comment
@Lindrian: мач, съжалявам, имах предвид grep и вместо това написах gsub. - person screechOwl; 26.12.2012
comment
@Lindrian: Бих искал да изведа стойността EGA/New към вектор или колона на рамка с данни. - person screechOwl; 26.12.2012
comment
@screechOwl: Добре. Не съм най-добрият с grep, man grep е твой приятел :) - person Firas Dib; 26.12.2012

arrow_upward
2
arrow_downward

Какво ще кажете за това?

EGA-\s*(?:Old=\d{2}\/\d{2}\/\d{2}\s+\d{2}:\d{2}\s*)?New=(\d{2}\/\d{2}\/\d{2}\s+\d{2}:\d{2})
person Pharaoh    schedule 25.12.2012
comment
как мога да включа това в изявление на gsub? - person screechOwl; 26.12.2012

arrow_upward
1
arrow_downward

Подобно по концепция на @BlueMagister, но без толкова много влагане:

gsub(".*EGA-.*New=([0-9/]{8} [0-9:]{5}).*|.*EGA.*", "\\1", events5$data_updated)
# [1] ""               "11/13/12 21:00" "11/13/12 20:50" "11/13/12 07:15"
# [5] "11/13/12 10:18" "11/13/12 10:25" "11/13/12 11:09" "11/13/12 11:20"
# [9] "11/13/12 10:55" "11/13/12 09:45"

По принцип първата част на gsub казва да потърсите "EGA-", което не е задължително да идва в началото на низа, и да започнете да улавяте, когато срещнете "New=". Моделът за улавяне ([0-9/]{8} [0-9:]{5}) казва, че първо очаквате низ с цифри и наклонени черти с дължина 8 знака, последван от интервал, последван от низ с цифри и двоеточие с дължина 5 знака. След това символът | се използва, за да се каже също така да се търси EGA с нещо преди или след него.

За да добавите новата информация към вашия data.frame, можете да използвате нещо като:

within(events5, {
  EGA.New <- gsub(".*EGA-.*New=([0-9/]{8} [0-9:]{5}).*|.*EGA-.*", 
                  "\\1", events5$data_updated)
})
person A5C1D2H2I1M1N2O1R2T1    schedule 26.12.2012