Question

我有一个名为Site的大型数据表（300,000行，100列）。整个数据表中都是十六进制值，例如：＆＃34; \ x96＆＃34;或＆＃34; \ xc9。＆＃34;我希望删除所有这些值。它们遵循＆＃34; \ x＆＃34;的格式。后跟两个字符（数字或字母）。

这是替换值的函数。我可以单独执行每个操作，如下所示，但我想要一个通用命令，它将删除表中的所有十六进制值。

Site<- as.data.table(apply(Site, 2, function(x) gsub("\x8e", "", x)))

我尝试使用正则表达式语法＆＃34; \ x ..＆＃34;，但出现此错误：

Error: '\x' used without hex digits in character string starting ""\x"

如何删除这些十六进制值？非常感谢任何帮助！

这是一个可重复的例子：

dt <- data.table(A = c("Th\xa1is","is","the","first\x12"), B = c("This","\x45is","the","second"))

我想＆＃34; \ xa1＆＃34;，＆＃34; \ x12＆＃34;和＆＃34; \ x45＆＃34;删除所以表格如下：

       A      B
1:  This   This
2:    is     is
3:   the    the
4: first second

Answer 1

你很困惑。我也是。我们大多数人也是如此。使用字符，编码和显示。

帮助的相关部分很难找到。 ?Quotes给了我们一个难题。 "\x"或"\x"后跟除1或2位数字（或a和f之间的字母）之外的任何内容，甚至对R解析器都没有意义。

在"\x01"和"\x7f"之间，您会找到传统的＆＃34; ASCII表。例如，identical("\x30", "0")，identical("\x39", "9")，identical("\x41", "A")，identical("\x5A", "Z")都是TRUE。

然后，在此表示法允许的128个其他值中，在"\x80"和"\xff"之间，您将找到所谓的＆＃34;拉丁语1＆＃34;表

然后有所有其他字符的Unicode，以及无处不在的UTF-8编码。

因此，当您说＆＃34;删除所有十六进制值＆＃34;时，只能假设"\x80"和"\xff"之间的字符会给您带来麻烦。也许这些字符的显示方式存在问题。或编码问题。或者其中一些只是控制角色。但是，让我们按照你的要求删除所有内容：

dt[, lapply(.SD, gsub, pattern = "[\x80-\xff]", replacement = "")]

应该这样做。或者如果你想更加激进，并删除非ASCII的所有内容：dt[, lapply(.SD, gsub, pattern = "[^\x01-\x7f]", replacement = "")]。

同样值得注意的是：R（与Python不同）没有原始字符串，我怀疑评论中的初始混淆源于此。在Python中，您可以"\\"或r"\"在字符串中使用实际的反斜杠，在R中，您不能这样做。您只能选择转义它："\\"。在给出的regex101示例中，测试字符串中有Th\xa1is。但是当你执行"Th\xa1is"时，这与你在R中所拥有的不同。

从R

1 个答案: