如何删除R中同一列中匹配的部分字符串？

Question

我有一个带有列的数据框如下：

User  df_text
 A    Hi, how are you ?
 B    This is beautiful!
 C    Hello guys
 D    Originally posted by A Hi, how are you? I am doing good
 E    Whats going on ?
 F    Originally posted by B I am doing good Welcome

我想删除部分匹配列df_text中的行的文本。例如，在上面的代码中，用户D回复了用户A，这就是为什么它“最初由...发布”字符串。我需要保留用户D的实际文本，并删除所有那些“最初发布”的字符串以及相关的用户和文本。

我不明白该怎么做。我尝试了以下代码：

df_text[!df_text %in% grep(paste0(df_text, collapse = "|"), df_text, value = T)]

我期望得到的是：

User  df_text
 A    Hi, how are you ?
 B    This is beautiful!
 C    Hello guys
 D    I am doing good
 E    Whats going on ?
 F    Welcome

是否有可能获得上述结果？

先感谢您！

Answer 1

您实际上可以测试已经使用Backreference编写的文本，然后在需要删除之前清除整个匹配项，请参阅此正则表达式：

(?:[A-Z] {4})?(.+?$)\n[\s\S]*?\KOriginally posted by [A-Z] \1 

说明

Search for

• (?:[A-Z] {4})? - 匹配字符串的第一部分（ A  ）。
• (.+?$) - 将被引用为\1的捕获组，这是A发送的文本。
• \n[\s\S]*? - 下一行，并保持选择，直到找到Originally po...。
• \K - 清除整个选择，所以当你.replace()你不会删除重要的东西。

Match

• Originally posted by [A-Z] - 引用A消息的文本。
• \1 - A发送的文字，所以你可以从B的消息中删除它。
• - 当然，还有一个要删除的空间（这样最终文本就不会搞砸了）。

算法

我不知道如何将此算法转换为R，但无论如何它在这里：

    var rgx = /(?:[A-Z] {4})?(.+?$)\n[\s\S]*?\KOriginally posted by [A-Z] \1 /;
    while (str.match(rgx))
        str = str.replace(rgx, "");

Notes:

• 记得使用perl=TRUE
• 这个正则表达式需要一个循环，因为它不能匹配“嵌套字符串”（参见Regex101's example）
• 请注意，表达式末尾有一个空格

---

Example

文本

User  df_text
 A    Hi, how are you ?
 B    This is beautiful!
 C    Heuwi
 D    Originally posted by C Heuwi Hellou
 E    Hello guys
 F    Originally posted by A Hi, how are you ? I am doing good
 G    Whats going on ?
 H    Test2
 I    Originally posted by B I am doing good Welcome
 J    Originally posted by C Test2 Hellou

第一次运行

User  df_text
 A    Hi, how are you ?
 B    This is beautiful!
 C    Heuwi
 D    Originally posted by C Heuwi Hellou
 E    Hello guys
 F    I am doing good
 G    Whats going on ?
 H    Test2
 I    Welcome
 J    Originally posted by C Test2 Hellou

上次运行

User  df_text
 A    Hi, how are you ?
 B    This is beautiful!
 C    Heuwi
 D    Hellou
 E    Hello guys
 F    I am doing good
 G    Whats going on ?
 H    Test2
 I    Welcome
 J    Hellou

Answer 2

您可以使用gsub替换文本/模式，例如：""：

df$df_text <- gsub("Originally posted by ","",df$df_text)

其中qazxsw poi是你的数据框，有qazxsw poi，qazxsw poi

为了更多，你可以去周期

df

这应该给你想要的结果，但它很慢