在R中除了撇号外，删除所有标点符号

Question

我希望使用R的gsub函数从文本中移除所有标点符号，但保留撇号。我对正则表达式还比较陌生，正在学习。

例子：

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

当前输出（“don't”中不带撇号）

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

期望的输出（我希望don't中的撇号保留）

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

- Tyler Rinker

Answer 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加简单明了。它将除了字母数字、空格或者撇号（插入符号！）之外的所有内容都替换为空字符串。

- Kay

---

Kay，你的代码确实去掉了撇号。我认为你的意思是 gsub("[^[:alnum:][:space:]'\"]", "", x)。 - Tyler Rinker

我喜欢这种编码方式的直接简单。 - Tyler Rinker

+1 -- 在我看来，这里的想法是要提出尽可能清晰的解决方案。只需编辑第二行，将其更改为 gsub("[^[:alnum:][:space:]']", "", x)，就可以了。（顺便说一句，正则表达式内部不需要反斜杠）。 - Josh O'Brien

当然，如果您的文本包含非ASCII字符（例如，多个脚本中的文本），则此答案将失去平衡。 - MichaelChirico

Answer 2

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

- Mariano

Answer 3

这是一个例子：

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

- kohske

---

正是我所期望的。比我想象中要复杂得多。难怪我一直有困难。我会仔细研究你的代码。谢谢。 - Tyler Rinker

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

感谢您的跟进。它与第一个一样有效，但更简单易懂。+1 - Tyler Rinker

Answer 4

主要是为了丰富内容，这里提供了一个使用相应名称的优秀包gsubfn()的解决方案。在这个应用中，我喜欢它允许的解决方案的表达能力：

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"

这里需要使用参数engine = "R"，否则会使用默认的tcl引擎。它用于匹配正则表达式的规则略有不同：例如，如果用它来处理上面的字符串，则需要将pattern = "[[:punct:]$|^]"进行设置。感谢G. Grothendieck指出了这个细节。

- Josh O'Brien

---

一个注意点——由于某种原因，在gsubfn（）调用的pattern参数中使用字符类[:punct：]时，不会像在gsub（）调用中一样匹配字符$、|或^。因此，我必须手动添加它们。 - Josh O'Brien

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

@G.Grothendieck -- 感谢您指出这一点。我已经在我的答案中加入了它。我之前是参考?gsubfn文档，其中提到pattern: Same as 'pattern' in 'gsub'，我理解为应该以相同的方式指定模式。现在我明白了那句话的意思，但不知道是否需要添加额外的说明。例如：如果engine="R"，则字符字符串将按照'help(regex)'文档所述进行匹配。如果使用默认的tcl引擎，则模式将按照...文档所述进行匹配。无论如何，感谢您对该软件包的工作！ - Josh O'Brien