Grunderna i reguljära uttryck

Introduktion till naturlig språkbehandling i R

Kasey Jones

Research Data Scientist

Vad är naturlig språkbehandling?

NLP:

Ämnen som behandlas:

En teckensträng som används för att söka i text
Exempel:
- söka efter filer i en katalog via kommandoraden
- hitta artiklar som innehåller ett visst mönster
- ersätta specifik text
- ...

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"

Mönster	Matchar	R-exempel	Textexempel
\w	Valfritt alfanumeriskt tecken	gregexpr(pattern ='\w', <text>)	a
\d	Valfri siffra	gregexpr(pattern ='\d', text)	1
\w+	Alfanumerisk sträng av valfri längd	gregexpr(pattern ='\w+', text)	word
\d+	Siffror av valfri längd	gregexpr(pattern ='\d+', text)	1234
\s	Mellanslag	gregexpr(pattern ='\s', text)	' '
\S	Valfritt tecken som inte är mellanslag	gregexpr(pattern ='\S', text)	word

Funktion	Syfte	Syntax
grep	Hitta matchningar av mönstret i en vektor	grep(pattern ='\w', x = <vector>, value = F)
gsub	Ersätter alla matchningar i en sträng/vektor	gsub(pattern ='\d+', replacement = "", x = <vector>)

Det finns flera webbtjänster för att öva på reguljära uttryck. De går igenom ämnet ingående och erbjuder ett brett urval av exempel.

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

Introduktion till naturlig språkbehandling i R