提问人：Christina 提问时间：5/4/2023 最后编辑：AnilGoyalChristina 更新时间：5/5/2023 访问量：99
R：删除字符串中的所有带引号的值
R: Removing all quoted values in a string
问：
我正在使用 Twitter 数据在 R 中启动我的第一个文本分析项目，在预处理阶段，我正在尝试删除引号内出现的所有值。我发现了一些代码可以删除引号本身，但不会删除其中的值（例如，“Hello World”变成 Hello World），但没有任何东西可以始终删除值和引号（例如，This is a “quoted text” 变成 This is a）。
我已经匿名化了我正在处理的一个示例数据框（保留了这些特定推文的确切格式，只是内容发生了变化）：
df <- data.frame(text = c("Example: “This is a quote!” https://t.co/ - MORE TEXT - example: “more text... “quote inside a quote” finished.”",
"Text \"this is a quote.\" More text. https://t.co/"))
对于此数据帧，目标是最终得到：
Example: https://t.co/ - MORE TEXT - example:
Text More text. https://t.co/
我试过这些：
df$text <- gsub('"[^"]+"', '', df$text)
df$text <- gsub('".*"', '', df$text)
df$text <- gsub("[\"'].*['\"]","", df$text)
但我发现它只适用于成功删除第二个观察中的引文，而不是第一个观察。我怀疑这可能与第二个引号是如何从 Twitter 导入的有关，用 \ 括起来。我不确定这个假设是否正确，如果是正确的，我不确定如何克服它。任何帮助将不胜感激！
答：
2赞
AnilGoyal
5/4/2023
#1
如果有两个级别嵌套引号，则可以执行此操作
基础 R
df <- data.frame(text = c("Example: “This is a quote!” https://t.co/ - MORE TEXT - example: “more text... “quote inside a quote” finished.”",
"Text \"this is a quote.\" More text. https://t.co/"))
df$text |>
gsub('(“|")[^”"“]*(”|")', '', x = _) |>
gsub('(“|")[^”"]*(”|")', '', x = _)
#> [1] "Example: https://t.co/ - MORE TEXT - example: "
#> [2] "Text More text. https://t.co/"
Tidyverse的
df <- data.frame(text = c("Example: “This is a quote!” https://t.co/ - MORE TEXT - example: “more text... “quote inside a quote” finished.”",
"Text \"this is a quote.\" More text. https://t.co/"))
df$text
#> [1] "Example: “This is a quote!” https://t.co/ - MORE TEXT - example: “more text... “quote inside a quote” finished.”"
#> [2] "Text \"this is a quote.\" More text. https://t.co/"
library(stringr)
library(dplyr)
#>
#> Attaching package: 'dplyr'
#> The following objects are masked from 'package:stats':
#>
#> filter, lag
#> The following objects are masked from 'package:base':
#>
#> intersect, setdiff, setequal, union
df %>%
mutate(text = str_remove_all(text, '(“|")[^”"“]*(”|")'),
text = str_remove_all(text, '(“|")[^”"]*(”|")'))
#> text
#> 1 Example: https://t.co/ - MORE TEXT - example:
#> 2 Text More text. https://t.co/
评论
2赞
Chris Ruehlemann
5/4/2023
这可以简化为：df %>% mutate(text = str_remove_all(text, '(“|")[^”"“]*(”|")|(“|").*(”|")'))
0赞
Christina
5/8/2023
谢谢 AnilGoyal 和 Chris Ruehlemann。这两种解决方案都有助于提供所需的输出！Chris，我也感谢您的解决方案中对代码的解释。
2赞
GKi
5/4/2023
#2
您可以使用递归或匹配 和 的平衡/嵌套结构。
将匹配（嵌套）配对，其中是递归，它匹配一个或多个字母，后跟完全相同数量的字母。?1?R“”(“([^“”]|(?R))*”)“”a(?R)zaz
因为很难区分是否有一个嵌套的字符串或是否有更多带引号的字符串。
假设它们是嵌套的，但如果它们是成对的，则不计算在内，将匹配成对的嵌套，并
假设它们不是嵌套的
。"".*"("([^"]|(?R))*")"[^"]*""
gsub('("([^"]|(?R))*")|(“([^“”]|(?R))*”)', '', df$text, perl=TRUE)
#[1] "Example: https://t.co/ - MORE TEXT - example: "
#[2] "Text More text. https://t.co/"
gsub('"[^"]*"|(“([^“”]|(?R))*”)', '', df$text, perl=TRUE)
#[1] "Example: https://t.co/ - MORE TEXT - example: "
#[2] "Text More text. https://t.co/"
gsub('".*"|(“([^“”]|(?R))*”)', '', df$text, perl=TRUE)
#[1] "Example: https://t.co/ - MORE TEXT - example: "
#[2] "Text More text. https://t.co/"
2赞
Chris Ruehlemann
5/4/2023
#3
下面是使用单行模式的解决方案：
library(tidyverse)
df %>%
mutate(text = str_remove_all(text, '"[^"]+"|“[^“”]+”|“.+”'))
text
1 Example: https://t.co/ - MORE TEXT - example:
2 Text More text. https://t.co/
该模式处理使用三种替代模式时显示的可变性：text
"[^"]+"： 第一种选择：删除"“[^“”]+”：第二种选择：删除 和“”“.+”：第三种选择：删除包裹在 和“”
如果在实际数据中也有嵌套引号，则可以用另一种替代来解释。" "
评论
0赞
GKi
5/5/2023
stringr::str_remove_all("“A“B”C”D“E“F”G”H", '"[^"]+"|“[^“”]+”|“.+”')给，但我认为它应该给.HDH
评论