R регулярное выражение извлекает текст не сразу после шаблона

У меня есть фрейм данных со столбцом, содержащим полуструктурированный текст. Я ищу определенные фрагменты информации, но у них есть шаблон, который я не знаю, как использовать.

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

вот вывод:

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")

Я пытаюсь извлечь часть поля 'New=' из частей, начинающихся с 'EGA', из столбца 'data_updated'. Проблема в том, что иногда между ними находится поле Old=. Я посмотрел на использование stringr::str_split и превращение столбца в список, но все еще имею ту же проблему. Я предполагаю, что это проблема с регулярным выражением/gsub, но точно не знаю, как это реализовать.

Какие-либо предложения?

РЕДАКТИРОВАТЬ: я бы хотел, чтобы конечный продукт был вектором/столбцом со значением EGA/New. Что-то вроде этого:

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 источник

Ответы (4)


arrow_upward
1
arrow_downward

Вот решение от начала до конца:

##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

Вот альтернатива, которая по сравнению с регулярным выражением @Pharaoh работает с неограниченным количеством текста после тега EGA

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

Если " в отрицательном прогнозе слишком общий, вы можете просто изменить его на EGD.

Демонстрация+объяснение: http://regex101.com/r/qY4uA0

Удалите флаг и разделители, если они не нужны.

person Firas Dib    schedule 25.12.2012
comment
Разве вы не пропускаете целые записи, такие как EGA- Based on Distance and Airspeed 5514 EGD- New=11/13/12 20:20 (пробелы и разрывы строк обрезаны), поэтому вы получаете неправильный New=? // Да, вы только что проверили свою демонстрацию - person Pharaoh; 26.12.2012
comment
Это абсолютно правильно @Pharaoh. Я пропустил это. Позвольте мне добраться до него. Изменить: сделано - person Firas Dib; 26.12.2012
comment
@Lindrian: как мне включить это в оператор gsub? - person screechOwl; 26.12.2012
comment
@screechOwl: Вы хотите сопоставить или заменить здесь? gsub(pattern, replacement) → new_str - person Firas Dib; 26.12.2012
comment
@Lindrian: совпадение, извините, я имел в виду grep и вместо этого написал gsub. - person screechOwl; 26.12.2012
comment
@Lindrian: я хотел бы вывести значение EGA/New в вектор или столбец фрейма данных. - person screechOwl; 26.12.2012
comment
@screechOwl: Хорошо. Я не лучший с grep, man grep твой друг :) - person Firas Dib; 26.12.2012

arrow_upward
2
arrow_downward

Как насчет этого?

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 мне включить это в оператор gsub? - person screechOwl; 26.12.2012

arrow_upward
1
arrow_downward

По концепции похоже на @BlueMagister, но без такой вложенности:

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 сути, первая часть gsub говорит искать "EGA-", который не обязательно находится в начале строки, и начинать захват, когда вы встречаете "New=". Шаблон захвата ([0-9/]{8} [0-9:]{5}) говорит, что вы сначала ожидаете строку с цифрами и косой чертой длиной 8 символов, за которой следует пробел, а затем строка с цифрами и двоеточиями длиной 5 символов. Затем символ | используется, чтобы указать также искать EGA с чем-либо до или после него.

Чтобы добавить новую информацию в свой data.frame, вы можете использовать что-то вроде:

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