删除 R 中除撇号外的所有标点符号

Posted 2023-02-15

【中文标题】删除 R 中除撇号外的所有标点符号

【英文标题】：Remove all punctuation except apostrophes in R

【发布时间】：2012-01-31 14:18:31

【问题描述】：

我想使用 R 的 gsub 从文本中删除除撇号之外的所有标点符号。我对正则表达式相当陌生，但正在学习。

示例：

x <- "I like %$@to*&, chew;: gum, but don't like|[] bubble@#^)( gum!?"
gsub("[[:punct:]]", "", as.character(x))

电流输出（don't 中没有撇号）

[1] "I like to chew gum but dont like bubble gum"

期望的输出（我希望撇号不要留下）

[1] "I like to chew gum but don't like bubble gum"

【参考方案1】：

x <- "I like %$@to*&, chew;: gum, but don't like|[] bubble@#^)( gum!?"
gsub("[^[:alnum:][:space:]']", "", x)

[1] "I like to chew gum but don't like bubble gum"

上面的正则表达式更直接。它将所有不是字母数字符号、空格或撇号（插入符号！）的内容替换为空字符串。

【讨论】：

凯你的代码确实删除了撇号。这就是我认为你的意思gsub("[^[:alnum:][:space:]'\"]", "", x)

我喜欢这种编码的直接性。

+1 -- 在我看来，这里的想法是最清晰的解决方案。只需编辑第二行以读取gsub("[^[:alnum:][:space:]']", "", x)，它就是金色的。 （FWIW，正则表达式中不需要反斜杠）。

当然，如果您的文本包含非 ascii 字符（例如，多个脚本中的文本），这个答案就会不正常

【参考方案2】：

这是一个例子：

>  gsub("(.*?)($|'|[^[:punct:]]+?)(.*?)", "\\2", x)
[1] "I like to chew gum but don't like bubble gum"

【讨论】：

正是我所希望的。比我想象的要复杂得多。难怪我遇到了麻烦。我真的会分解你所做的。谢谢。

最后这将是最简单的方法gsub(".*?($|'|[^[:punct:]]).*?", "\\1", x)。

感谢您的跟进。它和第一个一样好用，而且更容易理解。 +1

【参考方案3】：

您可以使用双重否定从 POSIX 类 punct 中排除撇号：

[^'[:^punct:]]

代码：

x <- "I like %$@to*&, chew;: gum, but don't like|[] bubble@#^)( gum!?"
gsub("[^'[:^punct:]]", "", x, perl=T)

#[1] "I like to chew gum but don't like bubble gum"

ideone demo

【参考方案4】：

主要是为了多样化，这里有一个使用来自同名的好包的gsubfn() 的解决方案。在这个应用程序中，我只是喜欢它所允许的解决方案的表现力：

library(gsubfn)
gsubfn(pattern = "[[:punct:]]", engine = "R",
       replacement = function(x) ifelse(x == "'", "'", ""), 
       x)
[1] "I like to chew gum but don't like bubble gum"

(这里需要参数engine = "R"，否则将使用默认的tcl引擎。它匹配正则表达式的规则略有不同：例如，如果它用于处理上面的字符串，则需要改为设置pattern = "[[:punct:]$|^]"。感谢 G. Grothendieck 指出了这个细节。）

【讨论】：

一个警告——由于某种原因，字符类[:punct:]，当用于gsubfn() 调用的pattern 参数时，与字符$、| 不匹配，或^，就像调用gsub()一样。因此，我不得不“手动”添加它们。

gsubfn 默认使用 tcl 正则表达式。如果您希望使用 R 正则表达式，请使用参数 engine = "R"。

@G.Grothendieck -- 感谢您指出这一点。我已将其合并到我的答案中。我采用了?gsubfn 中的文档，其中指出pattern: Same as 'pattern' in 'gsub' 意味着应该以相同的方式指定模式。现在我明白了这是什么意思，但想知道那里的附加行是否有帮助。像If engine="R", character strings will be matched as documented by 'help(regex)'. If the default tcl engine is used, patterns will be matched as documented at ... 这样的东西。无论如何，感谢您在包上所做的工作！