Základy regulárních výrazů

Úvod do zpracování přirozeného jazyka v R

Kasey Jones

Research Data Scientist

Co je zpracování přirozeného jazyka?

NLP:

Probíraná témata:

Posloupnost znaků pro vyhledávání v textu
Příklady použití:
- vyhledávání souborů v adresáři pomocí příkazové řádky
- hledání článků obsahujících určitý vzor
- nahrazování konkrétního textu
- ...

words <- c("DW-40", "Mike's Oil", "5w30", "Joe's Gas", "Unleaded", "Plus-89")

# Finding Digits
grep("\\d", words, value = TRUE)

[1] 1 3 6

# Finding Apostrophes
grep("\\'", words, value = TRUE)

[1] "Mike's Oil"     "Joe's Gasoline"

Vzor	Shoda v textu	Příklad v R	Příklad textu
\w	Libovolný alfanumerický znak	gregexpr(pattern ='\w', <text>)	a
\d	Libovolná číslice	gregexpr(pattern ='\d', text)	1
\w+	Alfanumerický řetězec libovolné délky	gregexpr(pattern ='\w+', text)	word
\d+	Číslo libovolné délky	gregexpr(pattern ='\d+', text)	1234
\s	Mezery	gregexpr(pattern ='\s', text)	' '
\S	Libovolný znak kromě mezery	gregexpr(pattern ='\S', text)	word

Funkce	Účel	Syntaxe
grep	Nalezne shody vzoru ve vektoru	grep(pattern ='\w', x = <vector>, value = F)
gsub	Nahradí všechny shody v řetězci/vektoru	gsub(pattern ='\d+', replacement = "", x = <vector>)

Existuje několik online zdrojů pro procvičování regulárních výrazů. Tyto zdroje jsou velmi podrobné a nabízejí širokou škálu příkladů.

¹ https://regexone.com/lesson/matching_characters

Úvod do zpracování přirozeného jazyka v R