r - 具有固定(文字)字符的矢量化 stringr

Question

我有以下代码，我希望给我一个包含 3 个元素的列表，因为 texts 中有 3 个元素:

library(stringr)
texts <- c("I doubt it! :)", ";) disagree, but ok.", "No emoticons here!!!")
smileys <- c(":)","(:",";)",":D")
str_extract_all(texts, fixed(smileys))

相反，我得到了四个列表(我的“模式”参数的长度，这里是笑脸。此外，我还收到以下警告消息:

Warning message: In stri_extract_all_fixed(string, pattern, simplify = simplify, : longer object length is not a multiple of shorter object length```

嗯，我不认为长度会匹配，因为我正在寻找每个中任何表情的任何命中文本。这不像我想将字符串 1 与模式 1 匹配、字符串 2 与模式 2 匹配，等等。

意识到我搞乱了 stringi 对矢量化的理解，我尝试了这个:

texts %>% map(~ str_extract_all(.x, fixed(smileys)))

这要好得多，因为它给了我一个包含 3 个元素的列表，但每个元素又是一个包含四个元素的列表。

我想要得到的是一个尽可能少嵌套的 3 个列表。有人在某个地方解决了这个问题，但我一生都无法弄清楚或无法通过谷歌搜索它。我可以对此进行 for 循环，但我认为自己是 tidyverse 的公民......

感谢您的帮助。

Answer 1

您可以使用 paste 将 smiley 的每个元素用 \\Q 和 \\E 包裹起来，折叠正则表达式“或”元字符 (|) 以形成单个模式。正如 link Henrik shared 中提到的并记录在 ?regex在stringi手册中，\\Q和\\E之间的字符按字面解释。

pattern <- paste("\\Q", smileys, "\\E", sep = "", collapse = "|")
# [1] "\\Q:)\\E|\\Q(:\\E|\\Q;)\\E|\\Q:D\\E"

library(stringi)
stri_extract_all_regex(texts, pattern)
#[[1]]
#[1] ":)"
#
#[[2]]
#[1] ";)"
#
#[[3]]
#[1] NA

基础R:

regmatches(texts, gregexpr(pattern, texts))
#[[1]]
#[1] ":)"
#
#[[2]]
#[1] ";)"
#
#[[3]]
#character(0)  
       # If you want an NA, instead of a zero-length vector, 
       # then you could do something like:
       # lapply(
       #   regmatches(texts, gregexpr(pattern, texts)), 
       #   function(ii) ifelse(is.character(ii) & length(ii) == 0L, NA, ii))

如果您确实想使用 purrr 并避免使用正则表达式，一个想法是这样的:

library(purrr)
library(stringr)
texts %>% 
  map(~ unlist(str_extract_all(.x, fixed(smileys))))
#[[1]]
#[1] ":)"
#
#[[2]]
#[1] ";)"
#
#[[3]]
#character(0)  
       # if you want NA, not a zero-length vector, you could add:
       # %>% map(~ ifelse(is.character(.x) & length(.x) == 0L, NA, .x))