regex remove punct удаляет не пунктуационные символы в R

При фильтрации и очистке текста на иврите я обнаружил, что

gsub("[[:punct:]]", "", txt)

фактически удаляет соответствующий символ. Символ «ק» расположен в месте «E» на клавиатуре. Интересно, что функция gsub в R удаляет символ «ק», после чего все слова путаются. Кто-нибудь знает, почему?


r regex punctuation
person Dmitry Leykin    schedule 02.05.2015    source источник

Ответы (1)


arrow_upward
2
arrow_downward

Согласно регулярным выражениям, используемым в R:

Определенные именованные классы символов предопределены. Их интерпретация зависит от локали (см. локали); приведенная ниже интерпретация соответствует локали POSIX.

Акк. в локаль POSIX, [[:punct:]]должен захватить ! " # $ % & ' ( ) * + , - . / : ; < = > ? @ [ \ ] ^ _ ` { | } ~. Итак, вам может потребоваться настроить регулярное выражение, чтобы удалить только нужные символы:

txt <- "!\"#$%&'()*+,\\-./:;<=>?@[\\\\^\\]_`{|}~"
gsub("[\\\\!\"#$%&'()*+,./:;<=>?@[\\^\\]_`{|}~-]", "", txt, perl = T)

Вывод Пример программы:

[1] ""
person Wiktor Stribiżew    schedule 02.05.2015