Question

在R中，为了从字符串中删除标点符号，我可以这样做：

x <- 'a#,g:?s!*$t/{u}\d\&y'
gsub('[[:punct:]]','',x)
[1] "agstudy"

这很聪明，但我没有严格控制删除的标点符号（想象一下我想在我的角色中保留一些符号）。如何在不忘记任何符号的情况下以更明确的方式重写此gsub，如下所示：

gsub('[#,:?!*$/{}\\&]','',x,perl=FALSE)

修改

我遇到的困难是如何编写正则表达式（我更喜欢在R中）从x中删除所有标点符号，并仅保留＃例如：

 "a#gstudy"

Answer 1

使用否定先行断言：

x <- 'a#,g:?s!*$t/{u}\\d\\&y'

gsub('(?!#)[[:punct:]]','',x, perl=TRUE)
# [1] "a#gstudy"

这实质上是对每个字符进行两次测试，从前面的字符间空间询问一次下一个字符是否是"#"以外的字符，然后从字符本身询问它是否是标点符号。如果两个测试都为真，则会注册匹配并删除该字符。

Answer 2

您可以使用否定的字符类，例如：

\pP是标点字符的unicode字符类。

\PP就是不是标点字符。

[^\PP]就是标点符号。

除了代字号之外，

[^\PP~]就是一个标点字符。

注意：您可以使用\p{PosixPunct}：

保持ASCII范围

[^\P{PosixPunct}~]

或在\p{XPosixPunct}的ASCII范围内使用具有此特殊性的unicode标点字符：

[^\P{XPosixPunct}~]

Answer 3

阅读this page表示[[:punct:]]字符应包括：

[-!"#$%&'()*+,./:;<=>?@[\\\]^_`{|}~]

在R ?regex页面上，我们也将此作为验证：

[:punct:]
Punctuation characters:
! " # $ % & ' ( ) * + , - . / : ; < = > ? @ [ \ ] ^ _ ` { | } ~

因此，您可以将其作为创建自己模式的基础，不包括您想要保留的字符。

这很麻烦，特别是有两个更好的答案，但我只是想表现出我心中的愚蠢：

创建一个如下所示的函数：

newPunks <- function(CHARS) {
  punks <- c("!", "\\\"", "#", "\\$", "%", "&", "'", "\\(", "\\)",
             "\\*", "\\+", ",", "-", "\\.", "/", ":", ";", "<",
             "=", ">", "\\?", "@", "\\[", "\\\\", "\\]", "\\^", "_", 
             "`", "\\{", "\\|", "\\}", "~")
  keepers <- strsplit(CHARS, "")[[1]]
  keepers <- ifelse(keepers %in% c("\"", "$", "{", "}", "(", ")",
                                   "*", "+", ".", "?", "[", "]",
                                   "^", "|", "\\"), paste0("\\", keepers), keepers)
  paste(setdiff(punks, keepers), collapse="|")
}

用法：

gsub(newPunks("#"), "", x)
# [1] "a#gstudy"
gsub(newPunks(""), "", x)
# [1] "agstudy"
gsub(newPunks("&#{"), "", x)
# [1] "a#gst{ud&y"

Bleah。我上床睡觉的时间......

Answer 4

它在Perl中完全相同，[:punct:]是一个简单映射到的POSIX字符类：

[!"#$%&'()*+,\-./:;<=>?@[\\\]^_`{|}~]

等效的Perl版本将是：

my $x = 'a#,g:?s!*$t/{u}\d\&y';
$x =~ s/[[:punct:]]//g;
print $x;

__END__
agstudy

Answer 5

直截了当的方法是使用前瞻或后视来匹配相同的角色两次，一次确保它是一个punction，一次确保它不是“#”。

(?=[^#])[[:punct:]]

或

(?!#)[[:punct:]]

但是，前瞻和外观看起来有点贵。我们不是在每个位置都使用一个环视，而是在找到标点时使用一个更有效率。

[[:punct:]](?<!#)

当然，完全摆脱外观会更有效率。这可以通过双重否定来实现。

[^[:^punct:]#]

我没有用R测试这些，但它们至少应该与perl=TRUE一起使用。

等效的正则表达式，以删除所有标点符号

5 个答案: