1

Tengo una base de datos parecida a esto:

library(stringr) #Para la función str_extract

ejemplo <- data.frame(columna= c("{ em , 680/3 }", "no 659-11", "no funciona la 2507", 
    "a-4-2 no funciona", "p-8 con presencia de arena", " no 2-5c12s si sirve",
    "mecanica no 1ty -22s brinca"))

Me interesa extraer la parte de cada cadena que sea:

  • Número
  • Letra más número
  • Número más letra

y, en general, las cadenas que se refieran a "identificadores".

Utilizando una sencilla expresión regular, puedo extraer

ejemplo$col2 <- ifelse(grepl("[0-9]+", ejemplo$columna), str_extract(ejemplo$columna, "[0-9]+"), NA)
ejemplo

                     columna col2
1              { em , 680/3 }  680
2                   no 659-11  659
3         no funciona la 2507 2507
4           a-4-2 no funciona    4
5  p-8 con presencia de arena    8
6         no 2-5c12s si sirve    2
7 mecanica no 1ty -22s brinca    1

que sólo tiene un buen resultado para la tercera cadena. Honestamente me siento perdido y no sé si exista una manera de hacer todo lo que quiero de una sola vez o tendré que construir diversas expresiones regulares para lograrlo. Agradezco mucho cualquier orientación al respecto.

El output deseado sería:

  deseado
1   680/3
2  659-11
3    2507
4   a-4-2
5     p-8
6 2-5c12s
7 1ty-22s

2 respuestas 2

1

Pues se me ocurre la siguiente expresión, que es bastante compleja pero no veo cómo simplificarla:

(?:[a-zA-Z\/-]*[0-9]+)+[0-9a-zA-Z\/-]*

Se leería más o menos así:

  • Comienza por cero o más repeticiones de letra, o signo - o signo /
  • Sigue por al menos un dígito
  • Todo lo anterior aparece al menos una vez, pero puede aparecer más veces
  • Y después de nuevo puede venir cualquier cantidad de letras o números

En el fondo se trata de forzar a que aparezca al menos un dígito entre las letras, pues si hubiéramos intentado una expresión más sencilla como [0-9a-zA-Z\/-]+ entonces habría encajado cualquier palabra del texto aunque no tuviera dígitos.

Demo de funcionamiento en regex101

1
  • Funcionó de maravilla. ¡Muchas gracias! Commented el 22 abr. 2019 a las 1:26
1

Abulafia hizo un gran trabajo encontrando una expresión monolítica que resuelve todos los casos que has presentado. Otra forma, es plantear múltiples patrones más exactos con cada id, dejando los más complejos y específicos al principio y los más genéricos al final:

patrones <- c('[0-9]-[0-9][a-z][0-9]+[a-z]',     # 2-5c12s
              '[0-9][a-z][a-z]-[0-9][0-9][a-z]', # 1ty-22s
              '[a-z]-[0-9]+-[0-9]+',             # a-4-2
              '[0-9]+-[0-9][0-9]',               # 659-11
              '[0-9]+/[0-9]+',                   # 680/3
              '[a-z]-[0-9]+',                    # p-8
              '[0-9]+'                           # 2507
              )
str_extract(ejemplo$columna, paste(patrones, collapse = '|'))
[1] "680/3"   "659-11"  "2507"    "a-4-2"   "p-8"     "2-5c12s" "1ty-22s"

Construimos un vector con los patrones y los pegamos en una única cadena con un | (or). Esto es mucho menos performante que la solución de abulafia, pero en algunos casos puede hacer más clara la lógica.

1
  • En efecto, aunque como dices, la lógica es más clara, sobre todo para alguien como yo que es aprendiz. Gracias, Patricio :) Commented el 22 abr. 2019 a las 1:26

Tu Respuesta

By clicking “Publica tu respuesta”, you agree to our terms of service and acknowledge you have read our privacy policy.

¿No es la respuesta que buscas? Examina otras preguntas con la etiqueta o formula tu propia pregunta.