Question

我想从以下字符串中提取州名缩写（2个字母）和邮政编码（4或5个数字）

    address <- "19800 Eagle River Road, Eagle River AK 99577
              907-481-1670
              230 Colonial Promenade Pkwy, Alabaster AL 35007
              205-620-0360
              360 Connecticut Avenue, Norwalk CT 06854
              860-409-0404
              2080 S Lincoln, Jerome ID 83338
              208-324-4333
              20175 Civic Center Dr, Augusta ME 4330
              207-623-8223
              830 Harvest Ln, Williston VT 5495
              802-878-5233
              "

对于邮政编码，我尝试了一些我在这里找到的方法但它没有工作主要是因为5号街道地址或邮政编码只有4个数字

    text <- readLines(textConnection(address))

    library(stringi)
    zip <- stri_extract_last_regex(text, "\\d{5}")
    zip

    library(qdapRegex)
    rm_zip3 <- rm_(pattern="(?<!\\d)\\d{5}(?!\\d)", extract = TRUE)
    zip <- rm_zip3(text)
    zip

    [1] "99577" "1670"  "35007" "0360"  "06854" "0404"  "83338" "4333"  "4330"  "8223"  "5495"  "5233"  NA

对于州名缩写，我不知道如何提取

任何帮助表示赞赏！提前谢谢！

编辑1：包含电话号码

Answer 1

提取邮政编码的代码：

zip <- str_extract(text, "\\d{5}")

提取州代码的代码：

states <- str_extract(text, "\\b[A-Z]{2}(?=\\s+\\d{5}$)")

提取电话号码的代码：

phone <- str_extract(text, "\\b\\d{3}-\\d{3}-\\d{4}\\b")

注意：您的数据似乎存在问题，因为最后2个邮政编码长度应为5个字符，而不是4个。4330实际应为{{1} }}。如果您无法控制数据源，但确定它们是美国代码，则可以根据需要在左侧填充0。但是，由于您正在寻找4或5个字符的解决方案，因此可以使用：

提取邮政编码的代码（查找前面的空格和后面的换行符，以便不选择部分电话号码或地址）

提取州代码的代码：

zip <- str_extract(text, "(?<= )\\d{4,5}(?=\\n|$)")

演示：https://regex101.com/r/7Im0Mu/2

Answer 2

我使用地址作为输入而不是文字，看看它是否适合你的情况。

关于正则表达式的假设：两个大写字母后跟4或5个数字字母用于状态和zip，电话号码总是在下一行。

<强>输入：

address <- "19800 Eagle River Road, Eagle River AK 99577
907-481-1670
230 Colonial Promenade Pkwy, Alabaster AL 35007
205-620-0360
360 Connecticut Avenue, Norwalk CT 06854
860-409-0404
2080 S Lincoln, Jerome ID 83338
208-324-4333
20175 Civic Center Dr, Augusta ME 4330
207-623-8223
830 Harvest Ln, Williston VT 5495
802-878-5233
"

我正在使用stringr库，您可以选择其他任何一个来提取您想要的信息。

library(stringr)
df <- data.frame(do.call("rbind",strsplit(str_extract_all(address,"[A-Z][A-Z]\\s\\d{4,5}\\s\\d{3}-\\d{3}-\\d{4}")[[1]],split="\\s|\\n")))
names(df) <- c("state","Zip","Phone")

修改：

如果有人想要使用文字作为输入，

text <- readLines(textConnection(address)) text <- data.frame(text) st_zip <- setNames(data.frame(str_extract_all(text$text,"[A-Z][A-Z]\\s\\d{4,5}",simplify = T)),"St_zip") pin <- setNames(data.frame(str_extract_all(text$text,"\\d{3}-\\d{3}-\\d{4}",simplify = T)),"pin") st_zip <- st_zip[st_zip$St_zip != "",] df1 <- setNames(data.frame(do.call("rbind",strsplit(st_zip,split=' '))),c("State","Zip")) pin <- pin[pin$pin != "",] df2 <- data.frame(cbind(df1,pin))

<强>输出：

State Zip pin 1 AK 99577 907-481-1670 2 AL 35007 205-620-0360 3 CT 06854 860-409-0404 4 ID 83338 208-324-4333 5 ME 4330 207-623-8223 6 VT 5495 802-878-5233

Answer 3

谢谢@Rahul。两者都很棒。至少你能告诉我如何使用Notepad ++吗？

使用Notepad ++提取

首先将您的整个数据复制到一个文件中。
按 Ctrl + F 转到Find。这将打开搜索对话框。选择带有正则表达式Replace的{{1}}标签搜索，然后替换为([A-Z]{2}\s*\d{4,5})$。这将搜索州名缩写和邮政编码，并将它们放在换行符中，\n-\1-\n作为前缀和后缀。

现在转到-标签。选中Mark复选框，然后使用Bookmark Line进行搜索，然后按-(.*?)-。这将标记状态abb和ZIP，它们位于换行符Mark All。

现在转到搜索-书签-->删除未标记的行

最后使用-->搜索并替换为空字符串。

<强>更新

那么现在还会有电话号码吗？在这种情况下，您只需要在步骤2中从正则表达式中删除$。要使用的正则表达式为^-|-$。休息所有步骤都是一样的。

从字符串中提取州名缩写和邮政编码

3 个答案: