我有一条推文列表,其中许多包含需要删除的表情符号。在R中执行此操作最有效的方法是什么?
我尝试了以下方法,该方法应该将所有以“\”开头的单词替换为空白,但出现此错误
some_tweets <- gsub("\\\w+ *", "", some_tweets)
Error: '\w' is an unrecognized escape in character string starting ""\\\w"
这是数据示例:
> head(some_tweets)
[1] "ஆமா நான் பாக்கவே இல்லை \U0001f625\U0001f625\U0001f625"
[2] "எனக்கு அனுப்பலாமே \U0001f913\U0001f913\U0001f913"
[3] "அவர் ஏன்டா ப்ளாக் பண்ணார் \U0001f602\U0001f602\U0001f602\U0001f602"
[4] "ஆமா"
[5] "RT : சும்மார்றா சுன்னி.. ~ ஆதவன்"
[6] "கைலியை எல்லாம் லூஸ் பண்ணிகிட்டு உக்காந்து இருக்கேன் அடுத்து போடுங்கயா \U0001f608\U0001f608\U0001f608"
> dput(head(some_tweets))
c("ஆமா நான் பாக்கவே இல்லை \U0001f625\U0001f625\U0001f625",
"எனக்கு அனுப்பலாமே \U0001f913\U0001f913\U0001f913",
"அவர் ஏன்டா ப்ளாக் பண்ணார் \U0001f602\U0001f602\U0001f602\U0001f602",
"ஆமா", "RT : சும்மார்றா சுன்னி.. ~ ஆதவன்",
"கைலியை எல்லாம் லூஸ் பண்ணிகிட்டு உக்காந்து இருக்கேன் அடுத்து போடுங்கயா \U0001f608\U0001f608\U0001f608"
)
最佳答案
查看regular-expressions.info on Unicode,它对正则表达式中的Unicode进行了详尽的解释。这里重要的部分是您可以将Unicode字符与\p{xx}
匹配,其中xx
是它们所在的任何类的名称(例如L
表示字母,M
表示标记)。在这里,您的表情符号似乎在So
(Other_Symbol
的简写)和Cn
(Unassigned
的简写)类中,因此我们可以用以下方法将它们排除:
gsub('\\p{So}|\\p{Cn}', '', some_tweets, perl = TRUE)
## [1] "ஆமா நான் பாக்கவே இல்லை "
## [2] "எனக்கு அனுப்பலாமே "
## [3] "அவர் ஏன்டா ப்ளாக் பண்ணார் "
## [4] "ஆமா"
## [5] "RT : சும்மார்றா சுன்னி.. ~ ஆதவன்"
## [6] "கைலியை எல்லாம் லூஸ் பண்ணிகிட்டு உக்காந்து இருக்கேன் அடுத்து போடுங்கயா "
请注意,您需要设置
perl = TRUE
,因为在R的默认POSIX 1003.2正则表达式中未启用此表示法。参见?base::regex
和?grep
。
关于从R中的字符串中删除表情符号,我们在Stack Overflow上找到一个类似的问题: https://stackoverflow.com/questions/38215590/