从R中的字符串中删除所有特殊字符？

Posted 2023-03-12

【中文标题】从R中的字符串中删除所有特殊字符？

【英文标题】：Remove all special characters from a string in R?

【发布时间】：2012-05-04 21:00:56

【问题描述】：

如何从R中的字符串中删除所有特殊字符并用空格替换它们？

要删除的一些特殊字符是：~!@#$%^&*()_+:"<>?,./;'[]-=

我尝试使用[:punct:] 模式使用regex，但它只删除标点符号。

问题 2：以及如何从外语中删除字符，例如：â í ü Â á ą ę ś ć？

答案：在regex 或regexpr 函数中使用[^[:alnum:]] 删除~!@#$%^&*()_+:"<>?,./;'[]-= 并使用[^a-zA-Z0-9] 删除â í ü Â á ą ę ś ć。

基础 R 中的解决方案：

x <- "a1~!@#$%^&*()_+:\"<>?,./;'[]-=" 
gsub("[[:punct:]]", "", x)  # no libraries needed

【问题讨论】：

“特殊字符”的定义是什么？

我自己的定义是所有非 Unicode 字符 ;-)。但我想很多其他人会不同意。

不妨看看sub 或gsub 函数。

正则表达式 [:punct:] 将完成一半或全部工作

【参考方案1】：

您需要使用regular expressions 来识别不需要的字符。对于最易于阅读的代码，您需要 stringr 包中的 str_replace_all，尽管来自基本 R 的 gsub 也可以。

确切的正则表达式取决于您要执行的操作。您可以只删除您在问题中给出的那些特定字符，但删除所有标点符号要容易得多。

x <- "a1~!@#$%^&*()_+:\"<>?,./;'[]-=" #or whatever
str_replace_all(x, "[[:punct:]]", " ")

（基本的 R 等效项是 gsub("[[:punct:]]", " ", x)。）

另一种方法是换掉所有非字母数字字符。

str_replace_all(x, "[^[:alnum:]]", " ")

请注意，构成字母、数字或标点符号的定义会因您所在的地区而略有不同，因此您可能需要进行一些试验才能得到您想要的。

【讨论】：

不错的答案 +1 您可能希望将 " " 替换为 "" 否则字符串中有空白区域。

@TylerRinker：是的，尽管 QBik 确实特别要求空格。

如何删除那些疯狂的角色：â í ü Â á?

你需要阅读正则表达式。从我回答中的链接开始，然后阅读?regex 和?regexpr。

尝试用[^a-zA-Z0-9] 或\\W 替换[^[:alnum:]]。

【参考方案2】：

不要使用正则表达式来删除那些“疯狂”的字符，只需将它们转换为 ASCII，这将删除重音，但会保留字母。

astr <- "Ábcdêãçoàúü"
iconv(astr, from = 'UTF-8', to = 'ASCII//TRANSLIT')

导致

[1] "Abcdeacoauu"

【讨论】：

我必须添加iconv(astr, from="UFT-8", to="ASCII//TRANSLIT")，否则像ç 这样的法语字符会有点好笑。

Windoze 在美国没有工作人员，我得到一个 'NA' ... Sys.getlocale() ... LC_COLLATE=English_United States.1252;LC_CTYPE=English_United States.1252;LC_MONETARY=English_United States.1252;LC_NUMERIC=C;LC_TIME=English_United States.1252

这有效：str = "Ábcdêãçoàúü"; str = iconv(str, from = '', to = 'ASCII//TRANSLIT'); str;

也可以在windows中使用readlines( data, encoding="UTF-8")

【参考方案3】：

将特殊字符转换为撇号，

Data  <- gsub("[^0-9A-Za-z///' ]","'" , Data ,ignore.case = TRUE)

下面的代码删除多余的'''撇号

Data <- gsub("''","" , Data ,ignore.case = TRUE)

使用gsub(..)函数将特殊字符替换为撇号

【讨论】：

那些已经包含''两个连续撇号的预先存在的代码或cmets呢？那些不会受到影响吗？不需要先保护/转义这些吗？