Bazele expresiilor regulate

Introducere în Prelucrarea Limbajului Natural în R

Kasey Jones

Research Data Scientist

Ce este procesarea limbajului natural?

NLP:

Se concentrează pe utilizarea calculatoarelor pentru a analiza și înțelege textul

Subiecte acoperite:

O secvență de caractere folosită pentru a căuta în text
Exemple de utilizare:
- căutarea fișierelor într-un director din linia de comandă
- găsirea articolelor care conțin un anumit șablon
- înlocuirea unui text specific
- ...

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"

Șablon	Potriviri text	Exemplu R	Exemplu text
\w	Orice caracter alfanumeric	gregexpr(pattern ='\w', <text>)	a
\d	Orice cifră	gregexpr(pattern ='\d', text)	1
\w+	Alfanumeric de orice lungime	gregexpr(pattern ='\w+', text)	word
\d+	Cifre de orice lungime	gregexpr(pattern ='\d+', text)	1234
\s	Spații	gregexpr(pattern ='\s', text)	' '
\S	Orice caracter non-spațiu	gregexpr(pattern ='\S', text)	word

Funcție	Scop	Sintaxă
grep	Găsește potrivirile șablonului într-un vector	grep(pattern ='\w', x = <vector>, value = F)
gsub	Înlocuiește toate potrivirile dintr-un șir/vector	gsub(pattern ='\d+', replacement = "", x = <vector>)

Există mai multe resurse online pentru exersarea expresiilor regulate. Acestea oferă detalii aprofundate și o gamă largă de exemple.

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

Introducere în Prelucrarea Limbajului Natural în R