在R中,使用gsub删除除句点之外的所有标点符号

Question

我是R的新手,所以我希望你能帮助我.

我想使用gsub删除所有标点符号,除了句号和减号,这样我就可以在我的数据中保留小数点和负号.

例

我的数据框z具有以下数据:

     [,1] [,2]   
[1,] "1"  "6"    
[2,] "2@"  "7.235"
[3,] "3"  "8"    
[4,] "4"  "$9"   
[5,] "£5" "-10" 

我想用来gsub("[[:punct:]]", "", z)删除标点符号.

电流输出

> gsub("[[:punct:]]", "", z)
     [,1] [,2]  
[1,] "1"  "6"   
[2,] "2"  "7235"
[3,] "3"  "8"   
[4,] "4"  "9"   
[5,] "5"  "10" 

但是,我希望保留" - "符号和"." 标志.

期望的输出

 PSEUDO CODE:  
> gsub("[[:punct:]]", "", z, except(".", "-") )
         [,1] [,2]  
    [1,] "1"  "6"   
    [2,] "2"  "7.235"
    [3,] "3"  "8"   
    [4,] "4"  "9"   
    [5,] "5"  "-10" 

任何想法如何使一些字符免于gsub()函数？

Answer 1

你可以放回一些像这样的比赛:

 sub("([.-])|[[:punct:]]", "\\1", as.matrix(z))
     X..1. X..2.  
[1,] "1"   "6"    
[2,] "2"   "7.235"
[3,] "3"   "8"    
[4,] "4"   "9"    
[5,] "5"   "-10"  

在这里,我保持.和-.

我想,下一步是将结果强制转换为数字矩阵,所以我在这里结合了两个步骤,如下所示:

matrix(as.numeric(sub("([.-])|[[:punct:]]", "\\1", as.matrix(z))),ncol=2)
   [,1]    [,2]
[1,]    1   6.000
[2,]    2   7.235
[3,]    3   8.000
[4,]    4   9.000
[5,]    5 -10.000

Answer 2

你可以试试这个代码。我发现它很方便。

x <- c('6,345', '7.235', '8', '$9', '-10')
gsub("[^[:alnum:]\\-\\.\\s]", "", x)

[1] "6345"  "7.235" "8"     "9"     "-10"

x <- c('1', '2@', '3', '4', '£5')
gsub("[^[:alnum:]\\-\\.\\s]", "", x)

[1] "1" "2" "3" "4" "5"

此代码{gsub("[^[:alnum:]]", "", x))} 删除了不包含字母数字术语的所有内容。然后我们添加到例外列表中。这里我们添加连字符(\-)、句号(\.)和空格(\s)得到gsub("[^[:alnum:]\-\.\s]", "", x)。现在它删除了所有不是字母数字、连字符、句号和空格的内容。

Answer 3

以下是一些使用基本 R和删除/替换函数来限制R 中的通用字符类的选项：(g)substringr

(g)sub 和 perl=TRUE

您可以将[[:punct:]]括号表达式与[:punct:]POSIX 字符类一起使用，并使用(?!\.)负前瞻来限制它，这将要求紧跟在右边的字符不等于.：

(?!\.)[[:punct:]]      # Excluding a dot only
(?![.-])[[:punct:]]    # Excluding a dot and hyphen

要匹配一个或多个事件，请将其用非捕获组包装，然后将+量词设置为该组：

(?:(?!\.)[[:punct:]])+   # Excluding a dot only
(?:(?![.-])[[:punct:]])+ # Excluding a dot and hyphen

请注意，当您删除找到的匹配项时，两个表达式将产生相同的结果，但是，当您需要用其他字符串/字符替换时，量化将允许使用一次替换模式更改整个连续字符块。

具有stringr替换/删除功能

之前进入细节，记住，PCRE[[:punct:]]与使用(g)sub不匹配的相同字符stringr由动力驱动的正则表达式功能ICU regex库。您需要[\p{P}\p{S}]改用，请参阅带有 stringi/ICU 的 R/regex：为什么 '+' 被视为非 [:punct:] 字符？

ICU 正则表达式库有一个很好的特性，可以与字符类一起使用，称为字符类减法。

因此，您编写了字符类，例如，所有标点匹配类，例如[\p{P}\p{S}]，然后您想“排除”（=减去）一个字符或两个或三个字符，或字符的整个子类。您可以使用两种符号：

[\p{P}\p{S}&&[^.]]   # Excluding a dot
[\p{P}\p{S}--[.]]    # Excluding a dot
[\p{P}\p{S}&&[^.-]]  # Excluding a dot and hyphen
[\p{P}\p{S}--[.-]]   # Excluding a dot and hyphen

要使用此方法匹配 1+ 个连续出现，您不需要任何包装组，只需使用+：

[\p{P}\p{S}&&[^.]]+  # Excluding a dot
[\p{P}\p{S}--[.]]+   # Excluding a dot
[\p{P}\p{S}&&[^.-]]+  # Excluding a dot and hyphen
[\p{P}\p{S}--[.-]]+   # Excluding a dot and hyphen

请参阅带有输出的 R 演示测试：

x <- "Abc.123#&*xxx(x-y-z)???? some@other!chars."

gsub("(?!\\.)[[:punct:]]", "", x, perl=TRUE)
## => [1] "Abc.123xxxxyz someotherchars."
gsub("(?!\\.)[[:punct:]]", "~", x, perl=TRUE)
## => [1] "Abc.123~~~xxx~x~y~z~~~~~ some~other~chars."
gsub("(?:(?!\\.)[[:punct:]])+", "~", x, perl=TRUE)
## => [1] "Abc.123~xxx~x~y~z~ some~other~chars."

library(stringr)
stringr::str_remove_all(x, "[\\p{P}\\p{S}&&[^.]]") # Same as "[\\p{P}\\p{S}--[.]]"
## => [1] "Abc.123xxxxyz someotherchars."
stringr::str_replace_all(x, "[\\p{P}\\p{S}&&[^.]]", "~")
## => [1] "Abc.123~~~xxx~x~y~z~~~~~ some~other~chars."
stringr::str_replace_all(x, "[\\p{P}\\p{S}&&[^.]]+", "~")  # Same as "[\\p{P}\\p{S}--[.]]+"
## => [1] "Abc.123~xxx~x~y~z~ some~other~chars."