R: Регулярное выражение в strsplit (поиск "," затем заглавная буква)

Question

Скажем, у меня есть вектор, содержащий некоторые символы, которые я хочу разбить на основе регулярного выражения.

Чтобы быть более точным, я хочу разбить строки на запятую, а затем пробел, а затем заглавную букву (по моему мнению, команда regex выглядит так: /(, [A-Z])/g (которая отлично работает, когда я попробуйте here)).

Когда я пытаюсь добиться этого в r, то regex, кажется, не работает, например:

x <- c("Non MMF investment funds, Insurance corporations, Assets (Net Acquisition of), Loans, Long-term original maturity (over 1 year or no stated maturity)", 
    "Non financial corporations, Financial corporations other than MFIs, insurance corporations, pension funds and non-MMF investment funds, Assets (Net Acquisition of), Loans, Short-term original maturity (up to 1 year)") 

strsplit(x, "/(, [A-Z])/g") 
[[1]] 
[1] "Non MMF investment funds, Insurance corporations, Assets (Net Acquisition of), Loans, Long-term original maturity (over 1 year or no stated maturity)" 

[[2]] 
[1] "Non financial corporations, Financial corporations other than MFIs, insurance corporations, pension funds and non-MMF investment funds, Assets (Net Acquisition of), Loans, Short-term original maturity (up to 1 year)" 

Он не находит раскола. Что я здесь делаю неправильно?

Любая помощь очень ценится!

Answer 1

Вот решение:

strsplit(x, ", (?=[A-Z])", perl=T) 

См IDEONE demo

Выход:

[[1]] 
[1] "Non MMF investment funds"          
[2] "Insurance corporations"           
[3] "Assets (Net Acquisition of)"          
[4] "Loans"               
[5] "Long-term original maturity (over 1 year or no stated maturity)" 

[[2]] 
[1] "Non financial corporations"                     
[2] "Financial corporations other than MFIs, insurance corporations, pension funds and non-MMF investment funds" 
[3] "Assets (Net Acquisition of)"                    
[4] "Loans"                          
[5] "Short-term original maturity (up to 1 year)" 

Регулярное выражение - ", (?=[A-Z])" - содержит смотреть вперед (?=[A-Z]), который проверяет, но не потребляет заглавную письмо. В R вам нужно использовать perl=T с регулярными выражениями, которые содержат образы.

Если пространство не является обязательным, или может быть двойное пространство между запятой и заглавной буквы, используйте

strsplit(x, ",\\s*(?=[A-Z])", perl=T) 

И еще один вариант, который будет поддерживать Unicode буквы (с \\p{Lu}):

strsplit(x, ", (?=\\p{Lu})", perl=T)