Выберите строки из data.frame, заканчивающиеся на определенную строку символов в R

Я использую R, и у меня есть data.frame с почти 2000 записей, которые выглядят следующим образом:

> head(PVs,15)
     LogFreq   Word PhonCV  FreqDev
1593     140    was    CVC 5.480774
482      139    had    CVC 5.438114
1681     138    zou   CVVC 5.395454
1662     137    zei    CVV 5.352794
1619     136   werd   CVCC 5.310134
1592     135  waren CVV-CV 5.267474
620      134    kon    CVC 5.224814
646      133   kwam   CCVC 5.182154
483      132 hadden CVC-CV 5.139494
436      131   ging    CVC 5.096834
734      130  moest  CVVCC 5.054174
1171     129  stond  CCVCC 5.011514
1654     128    zag    CVC 4.968854
1620     127 werden CVC-CV 4.926194
1683     126 zouden CVV-CV 4.883534

Я хочу создать новый data.frame, равный PV, за исключением того, что все записи, имеющие в качестве члена столбца "Word" строку символов, которая не заканчивается ни "te", ни "de" удален. то есть все слова, не заканчивающиеся на "de" или "te", должны быть удалены из файла data.frame.

Я знаю, как избирательно удалять записи из data.frames с помощью логических операторов, но они работают, когда вы устанавливаете числовые критерии. Я думаю, что для этого мне нужно использовать регулярные выражения, но, к сожалению, R - единственный язык программирования, который я "знаю", поэтому я далеко не знаю, какой тип кода использовать здесь.

Я ценю вашу помощь. Заранее спасибо.

Ответ 1

Метод 1

Вы можете использовать grepl с подходящим регулярным выражением. Рассмотрим следующее:

x <- c("blank","wade","waste","rubbish","dedekind","bated")
grepl("^.+(de|te)$",x)
[1] FALSE  TRUE  TRUE FALSE FALSE FALSE

Регулярное выражение говорит begin (^) с чем угодно количеством раз (.+), а затем найдите либо de, либо te ((de|te)), а затем end ($).

Итак, для вашей программы data.frame,

subset(PVs,grepl("^.+(de|te)$",Word))

Метод 2

Чтобы избежать метода regexp, вы можете использовать метод substr.

# substr the last two characters and test
substr(x,nchar(x)-1,nchar(x)) %in% c("de","te")
[1] FALSE  TRUE  TRUE FALSE FALSE FALSE

Итак, попробуйте:

subset(PVs,substr(Word,nchar(Word)-1,nchar(Word)) %in% c("de","te"))

Ответ 2

Я немного изменил данные, чтобы были слова, которые закончились в te или de.

> PV
     LogFreq   Word PhonCV  FreqDev
1593     140 blahte    CVC 5.480774
482      139    had    CVC 5.438114
1681     138 aaaade   CVVC 5.395454
1662     137    zei    CVV 5.352794
1619     136   werd   CVCC 5.310134
1592     135  waren CVV-CV 5.267474
620      134    kon    CVC 5.224814
646      133 kwamde   CCVC 5.182154
483      132 hadden CVC-CV 5.139494
436      131   ging    CVC 5.096834
734      130 moeste  CVVCC 5.054174
1171     129  stond  CCVCC 5.011514
1654     128  zagde    CVC 4.968854
1620     127 werden CVC-CV 4.926194
1683     126 zouden CVV-CV 4.883534

# Add a column to PV that you can visually check the regular expression matches.
PV$Match <- grepl(pattern = "(de|te)$", PV$Word)

# Subset PV data frame to show only TRUE matches
PV <- PV[PV$Match == FALSE, ]

Результат показан ниже

     LogFreq   Word PhonCV  FreqDev Match
482      139    had    CVC 5.438114 FALSE
1662     137    zei    CVV 5.352794 FALSE
1619     136   werd   CVCC 5.310134 FALSE
1592     135  waren CVV-CV 5.267474 FALSE
620      134    kon    CVC 5.224814 FALSE
483      132 hadden CVC-CV 5.139494 FALSE
436      131   ging    CVC 5.096834 FALSE
1171     129  stond  CCVCC 5.011514 FALSE
1620     127 werden CVC-CV 4.926194 FALSE
1683     126 zouden CVV-CV 4.883534 FALSE

Ответ 3

Использование grep

grep -xvE '.{17}(de|te).*' file.txt