如何在R中使用gsub删除以字母表开头的字符串？

Question

我收集了推文，我想从每条推文中提取表情符号unicode。这个符号是<U+00001F44D>格式的，我使用了R上的gsub函数来删除表情符号之前和之后的所有文本。

tweets$text <- gsub(".*(<.*>).*", "\\1", tweets$text)

然而，由于每个推特上可能有几个表情符号，所以我决定在字符">“之后分割每一列。

在某些列中，有些字符串只是字母表字符，而不是以"<“开头。

我的问题是:如果字符串没有以"<“开头，如何删除它？

示例：

data$text <- c("<U+000>", "character", "abc <U+000>")

data$text <- gsub(".*(<.*>).*", "\\1", data$text)

数据仍将包括“字符”字符串，但我正在尝试删除除表情符号unicode以外的所有字符。

Answer 1

我们可以用grep代替gsub

grep("^\\<", v1, invert = TRUE, value = TRUE)
#[1] "<U+000>"

如果我们需要提取表情符号并删除剩下的字符，我们可以从str_extract中使用stringr。指定要匹配的正则表达式，即<是元字符，因此我们可以转义它(\\<)，后面跟着一个或多个不是>的字符(方括号内将计算字面字符-- ^ -指的不是该字符)，然后是> (再次转义\\)。

library(stringr)
str_extract(v1, "\\<[^>]+\\>")
#[1] "<U+000>" NA        "<U+000>"

如果我们需要创建多个列，如果有多个元素

lst1  <- str_extract_all(dat$v2, "\\<[^>]+\\>")
n <- lengths(lst1) 
lapply(lst1, `length<-`,max(n)) 
dat[paste0("Col", seq_len(max(n)))] <- do.call(rbind,
       lapply(lst1, `length<-`,max(n)))

dat
#                          v2    Col1    Col2
#1                    <U+000> <U+000>    <NA>
#2                  character    <NA>    <NA>
#3                abc <U+000> <U+000>    <NA>
#4 <U+000> characters <U+000> <U+000> <U+000>

或者使用base R

regmatches(v1, regexpr("\\<[^>]+\\>", v1, perl = TRUE))
#[1] "<U+000>" "<U+000>"

数据

v1 <- c("<U+000>", "character", "abc <U+000>")
v2 <- c(v1, "<U+000> characters <U+000>")
dat <- data.frame(v2 = v2, stringsAsFactors = FALSE)