Si ça peut t'aider, j'ai fini par considérer que sous R, il vaut mieux travailler de toute façon en décrivant du début à la fin l'entièreté de la chaîne de caractère sur laquelle on travaille (ce qui se fait automatiquement, alors qu'en regexp "pur", il faut utiliser les balises ^ et $). Donc je cherche d'abord à décrypter, puis à cibler ce qui m'intéresse. La logique d'extraction d'un type de caractère me pose encore problème lors des transcriptions dans R, et dans la plupart des cas je m'en tire mieux comme ça. Au final, l'utilisation de ".+" (qui a ses limites) permet de combler rapidement ce qui ne t'intéresse pas...
Bon, ça c'est pour le système D. Note que je suis assez novice dans le domaine et d'autres contributeurs pourront t'apporter des réponses plus éclairées.
Pour ce qui est de séparer des résultats dans des colonnes, cela n'a plus vraiment de lien avec les expressions régulières, mais avec la gestion de leur résultat. Par exemple, en reprenant l'exemple plus haut, on avait :
Code : Tout sélectionner
gsub('(.+) [0-9]{4}.+', '\\1', artiste4) # Mettons que l'année m'intéresse aussi
gsub('(.+) ([0-9]{4}).+', '\\1', artiste4) # Je rajoute une capture "()" sur les chiffres
# Et voilà un joli tableau dont la construction se fait par un procédé classique de R :
data.frame(Patronyme = gsub('(.+) ([0-9]{4}).+', '\\1', artiste4), annee = gsub('(.+) ([0-9]{4}).+', '\\2', artiste4))Et là tu m'en veux un peu parce que je n'ai pas répondu à ton problème :-)
Donc la vrai question là dessous c'est "Comment je sépare nom et prénom vu la structure de mes données?"
Et vu ce que tu as, je n'ai pas trouvé le truc qui marche partout, car des fois il n'y a pas de prénom et autres variantes... J'ai juste qq essais à te soumettre :
Code : Tout sélectionner
artiste <- c("SAIN DE HEERS Emilie 1907 née à Nanterre Seine 80 rue Taitbout 9",
"SAINRICE 1927 né à Gap HautesAlpes 34 me des Boulangers 5",
"SAINTANGE 1923 né à NeuillysurSeine 8 rue Meissonier 17e",
"SAINTDELIS René de 1905 né à SaintOmer PdeC Etretat SeineInférieure")
gsub('(.+) ([A-Z][a-z]+).+ [0-9]{4}.+', '\\1', artiste)
[1] "SAIN DE HEERS" "SAINRICE 1927 né à Gap HautesAlpes 34 me des Boulangers 5" "SAINTANGE 1923 né à NeuillysurSeine 8 rue Meissonier 17e"
[4] "SAINTDELIS"A ta place, j'essayerai de travailler en plusieurs étapes afin de séparer les structures différentes (pas de prénom, etc.).
Une piste :
Code : Tout sélectionner
(aux <- gsub('[A-Z]+ ', "\\1" , artiste)) # Retire les mots en majuscules suivi d'un espace
[1] "Emilie 1907 née à Nanterre Seine 80 rue Taitbout 9" "1927 né à Gap HautesAlpes 34 me des Boulangers 5" "1923 né à NeuillysurSeine 8 rue Meissonier 17e" "René de 1905 né à SaintOmer PdeEtretat SeineInférieure"
# Maintenant, on a les chaine où ça a marché qui commence par 4 décimaux. On s'en sert :
gsub('([0-9]{4}).+', '\\1', aux)
[1] "Emilie 1907" "1927" "1923" "René de 1905"
# donc si on a exactement 4 caractères, c'est qu'on à qu'un nom, sinon on a le prénom.
# On compte les caractères :
nchar(gsub('([0-9]{4}).+', '\\1', aux))
[1] 11 4 4 12
nchar(gsub('([0-9]{4}).+', '\\1', aux)) == 4 # TRUE / FALSE disant si oui ou non il y a un prénom
tri <- nchar(gsub('([0-9]{4}).+', '\\1', aux)) == 4 # Et après tu te sers de ton tri pour travailler sur des choses homogènes
> artiste[tri] # Les "sans-prénoms"
[1] "SAINRICE 1927 né à Gap HautesAlpes 34 me des Boulangers 5" "SAINTANGE 1923 né à NeuillysurSeine 8 rue Meissonier 17e"
Bref, maintenant que tu as l'esprit, a toi de creuser.
Cordialement (et bon courage!).
P.S: au fond de moi je suis persuadé qu'il y en a un qui va nous sortir ça en une ligne de code et je vais être vert...