kondisi filter dplyr untuk membedakan antara simbol unicode dan representasi unicode-nya

Saya mencoba memfilter kolom Simbol berdasarkan pada apakah itu dari formulir \uxxxx

Ini mudah visual, yaitu, beberapa terlihat seperti $, ¢, £, dan lain-lain seperti \u058f, \u060b, \u07fe.

Tapi sepertinya saya tidak bisa memahaminya menggunakan stringi/dplyr

library(dplyr)
library(stringi)

df <- structure(list(Character = c("\\u0024", "\\u00A2", "\\u00A3", 
                             "\\u00A4", "\\u00A5", "\\u058F", "\\u060B", "\\u07FE", "\\u07FF", 
                             "\\u09F2", "\\u09F3", "\\u09FB", "\\u0AF1", "\\u0BF9", "\\u0E3F", 
                             "\\u17DB", "\\u20A0", "\\u20A1", "\\u20A2", "\\u20A3"), 
                     Symbol = c("$", "¢", "£", "¤", "¥", "\u058f", "\u060b", "\u07fe", "\u07ff", 
                                "৲", "৳", "\u09fb", "\u0af1", "\u0bf9", "฿", "៛", "₠", 
                                "₡", "₢", "₣")), row.names = c(NA, 20L), class = "data.frame")

   Character Symbol
1    \\u0024      $
2    \\u00A2      ¢
3    \\u00A3      £
4    \\u00A4      ¤
5    \\u00A5      ¥
6    \\u058F \u058f
7    \\u060B \u060b
8    \\u07FE \u07fe
9    \\u07FF \u07ff
10   \\u09F2      ৲
11   \\u09F3      ৳
12   \\u09FB \u09fb
13   \\u0AF1 \u0af1
14   \\u0BF9 \u0bf9
15   \\u0E3F      ฿
16   \\u17DB      ៛
17   \\u20A0      ₠
18   \\u20A1      ₡
19   \\u20A2      ₢
20   \\u20A3      ₣

Apa yang saya coba

Saya telah mencoba menggunakan variasi nchartetapi belum beruntung


df$Symbol %>% nchar
# [1] 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1

df$Symbol %>% stri_unescape_unicode %>% nchar
# [1] 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1

df$Symbol %>% stri_escape_unicode %>% nchar
# [1] 1 6 6 6 6 6 6 6 6 6 6 6 6 6 6 6 6 6 6 6

Pertanyaan

Bagaimana saya bisa menyaring pada kolom Simbol untuk semua baris dari bentuk $, ¢, £dll (dan sebaliknya untuk baris seperti \u058f, \u060b, \u07fe)?

r dplyr stringr stringi

— stevec
sumber

Apakah Anda mencoba menggunakan Regex dalam kasus ini?

— vpz

@ vpz saya belum, tidak. Saya beralasan akan ada cara 'lebih formal' untuk melakukannya, tetapi dengan senang hati akan menggunakan regex jika bekerja dengan andal!

— stevec

Apakah representasi karakter memiliki beberapa pola untuk simbol?

— vpz

@vpz satu-satunya Info adalah apa yang terkandung dalam Symbolkolom (aku merasa seperti itu harus cukup, tapi aku tidak bisa mengetahui bagaimana membedakan - yang menarik karena begitu mudah bagi mata manusia untuk melihat)

— SteveC

Anda dapat menggunakan utf8::utf8_valid()tetapi ini mungkin tidak membedakan antara unicode valid yang ada dan unicode yang valid tetapi tidak ditugaskan. Bisakah Anda sedikit mengembangkan apa yang pada akhirnya ingin Anda capai?

— H 1

Jawaban:

Edit:

Fungsi glyphs_match()dari gdtoolspaket ini dirancang untuk ini, namun, menggunakannya tidak cukup mengembalikan hasil yang diharapkan. Saya menggunakan Lucida Consolefont saya dan mendapatkan output berikut saat menggunakan glyphs_match(). Tampaknya ada satu mesin terbang yang tidak diberikan tetapi fungsi kembali TRUE. Mungkin pengguna lain dapat menjelaskan mengapa itu terjadi.

df$glyph_match <- gdtools::glyphs_match(df$Symbol, fontfile = "C:\\WINDOWS\\Fonts\\lucon.TTF")
    df

   Character   Symbol glyph_match
1    \\u0024        $        TRUE
2    \\u00A2        ¢        TRUE
3    \\u00A3        £        TRUE
4    \\u00A4        ¤        TRUE
5    \\u00A5        ¥        TRUE
6    \\u058F <U+058F>       FALSE
7    \\u060B <U+060B>       FALSE
8    \\u07FE <U+07FE>       FALSE
9    \\u07FF <U+07FF>       FALSE
10   \\u09F2 <U+09F2>       FALSE
11   \\u09F3 <U+09F3>       FALSE
12   \\u09FB <U+09FB>       FALSE
13   \\u0AF1 <U+0AF1>       FALSE
14   \\u0BF9 <U+0BF9>       FALSE
15   \\u0E3F <U+0E3F>       FALSE
16   \\u17DB <U+17DB>       FALSE
17   \\u20A0 <U+20A0>       FALSE
18   \\u20A1        ¢        TRUE
19   \\u20A2 <U+20A2>       FALSE
20   \\u20A3 <U+20A3>        TRUE

Jawaban sebelumnya - hanya dapat berfungsi di Windows:

Akan ada variasi tergantung pada font / sistem Anda, misalnya, ketika menjalankan kode Anda output saya tidak cocok dengan apa yang Anda berikan:

df <- structure(list(Character = c("\\u0024", "\\u00A2", "\\u00A3", 
                             "\\u00A4", "\\u00A5", "\\u058F", "\\u060B", "\\u07FE", "\\u07FF", 
                             "\\u09F2", "\\u09F3", "\\u09FB", "\\u0AF1", "\\u0BF9", "\\u0E3F", 
                             "\\u17DB", "\\u20A0", "\\u20A1", "\\u20A2", "\\u20A3"), 
                     Symbol = c("$", "¢", "£", "¤", "¥", "\u058f", "\u060b", "\u07fe", "\u07ff", 
                                "৲", "৳", "\u09fb", "\u0af1", "\u0bf9", "฿", "៛", "₠", 
                                "₡", "₢", "₣")), row.names = c(NA, 20L), class = "data.frame")

df
   Character   Symbol
1    \\u0024        $
2    \\u00A2        ¢
3    \\u00A3        £
4    \\u00A4        ¤
5    \\u00A5        ¥
6    \\u058F <U+058F>
7    \\u060B <U+060B>
8    \\u07FE <U+07FE>
9    \\u07FF <U+07FF>
10   \\u09F2 <U+09F2>
11   \\u09F3 <U+09F3>
12   \\u09FB <U+09FB>
13   \\u0AF1 <U+0AF1>
14   \\u0BF9 <U+0BF9>
15   \\u0E3F <U+0E3F>
16   \\u17DB <U+17DB>
17   \\u20A0 <U+20A0>
18   \\u20A1        ¢
19   \\u20A2 <U+20A2>
20   \\u20A3 <U+20A3>

Tapi satu cara menangkap jika mesin terbang ada adalah:

 nchar(capture.output(cat(df$Symbol, sep = "\n"))) == 1

[1]  TRUE  TRUE  TRUE  TRUE  TRUE FALSE FALSE FALSE FALSE FALSE FALSE FALSE FALSE FALSE FALSE FALSE FALSE
[18]  TRUE FALSE FALSE

Jadi mesin terbang dapat disaring oleh:

library(dplyr)

df %>%
  filter(nchar(capture.output(cat(Symbol, sep = "\n"))) == 1)

  Character Symbol
1   \\u0024      $
2   \\u00A2      ¢
3   \\u00A3      £
4   \\u00A4      ¤
5   \\u00A5      ¥
6   \\u20A1      ¢

— H 1
sumber

Gunakan as.character.POSIXtuntuk 'membuat' simbol dan bantalan dengan spasi. Karakter Unicode dalam bentuk "\ uxxxx" akan dicetak sebagai satu karakter dan yang lainnya akan lebih besar; maka Anda dapat memfilter menurut panjangnya:

# To keep 'single char' symbols e.g. "$":
df %>% filter(nchar(as.character.POSIXt(Symbol)) >= 2)

# Or for 'unicode format' symbols e.g. "\u07fe":
df %>% filter(nchar(as.character.POSIXt(Symbol)) == 1)

Jika Anda memiliki string panjang sebagai 'simbol' (mis. "Aaaaaaaaaa ₣") padding akan meningkat dan perlu dipertanggungjawabkan misalnya

# To keep 'single char' symbols e.g. "$":
df %>% filter(nchar(as.character.POSIXt(Symbol)) >= 11)

# Or for 'unicode format' symbols e.g. "\u07fe":
df %>% filter(nchar(as.character.POSIXt(Symbol)) <= 10)

— jared_mamrot
sumber