Regular Expression สำหรับผู้เริ่มต้น

Regular Expression (re) คือการเขียน sequence of characters เพื่อ match pattern ที่อยู่ในข้อความ (text, string) ในตัวอย่างด้านล่างคือ ^H[a-z]{4} เพื่อใช้ match คำว่า “Hello”

text <- "Hello World"
str_view(text, "^H[a-z]{4}")

tutorial วันนี้เราจะมาสอนเขียน re ง่ายๆใน R และลองใช้ฟังชั่น str_view ของ package stringr เพื่อดู matched pattern ที่เราต้องการ

Basic matches

re แบบง่ายที่สุดคือเราเขียน characters ที่เราต้องการ match ได้เลย เช่น “cat” แบบนี้

text <- c("Cat", "cat", "cot") 
str_view(text, "cat")

RStudio จะแสดงผลการ match ให้เราดูในหน้าต่าง view (ขวาล่างของหน้าจอ)

การเขียน re เป็นแบบ case sensitive แปลว่าเราต้องระบุให้ชัดเจนว่าอยากจะ match lower หรือว่า upper case

ถ้าอยากจะ match ทั้งคำว่า “cat” และ “Cat” เราสามารถใช้สัญลักษณ์ | เข้ามาช่วย และเขียน characters ที่ต้องการ match ในวงเล็บแบบนี้ “(C|c)”

str_view(text, "Cat")
str_view(text, "(C|c)at")

ถ้าอยากจะ match character อะไรก็ได้ 1 ตัว (any character) เราสามารถใช้ . แบบนี้

str_view(text, "(C|c).t")

Digits

เราสามารถเขียน match ตัวเลข digits ได้ด้วย [0-9] หรือใช้ \\d ก็ได้ผลเหมือนกัน โดย \\d เรียกว่า metacharacter ซึ่งเป็นอักขระพิเศษของ re

text <- c("Hello", "World", "555", "12345")
str_view(text, "[0-9]+")
str_view(text, "\\d+")

สังเกต ว่าในโค้ดตัวอย่างด้านบนเราใส่ + ต่อท้าย [0-9]+ และ \\d+ ด้วย ในภาษาของ re เราเรียก + ว่า quantifier ใช้ในการ match “one or more” ตัวอย่างเช่น [0-9]+ หรือ \\d+ สามารถ match ตัวเลขเหล่านี้ได้หมดเลย 6, 123, 5555, 98982 เป็นต้น

metacharacter ตัวหลักๆที่ควรรู้จัก เราสรุปมาให้แล้วในตารางด้านล่าง

metacharacter	ความหมาย
\\d	match ตัวเลข 0-9 เทียบเท่ากับการเขียน [0-9]
\\D	match อะไรก็ได้ที่ไม่ใช่ตัวเลข 0-9 เทียบเท่ากับการเขียน [^0-9]
\\s	match white space character
\\S	match non white space character
\\n	match a newline character (ขึ้นบรรทัดใหม่)
\\t	match a tab character

Spaces

มาลองเขียน re เพื่อ match white space กันบ้าง

text <- c("Hello World", "School", "University of Thailand")
str_view(text, "\\s") # white space

ฟังชั่น str_view จะ match เฉพาะ pattern แรกที่มันเจอเท่านั้น ถ้าอยากจะ match ทุก white space ใน text นั้นๆ ให้เปลี่ยนไปใช้ฟังชั่น str_view_all

str_view_all(text, "\\s")

R code

เพื่อนๆสามารถ copy R script ไปลองเล่นใน RStudio ได้เลย โดยฟังชั่น str_* มาจาก package stringr รันโค้ด line 2 เพื่อติดตั้งแพ็คเกตก่อนใช้งาน

สรุป ^H[a-z]{4} ที่เราเห็นใน introduction ของบทความนี้เป็นการเขียน re เพื่อ match คำที่ขึ้นต้นด้วยตัว H ^H ตามด้วย lower case [a-z] อีก 4 ตัว {4} match คำว่า Hello เป๊ะ!

stringr ยังมีอีกหลายฟังชั่นที่ใช้ manipulate text ได้ง่ายๆ ตัวอย่างเช่นการทำ extract & replace string ลองอ่านการใช้งาน regular expression แบบละเอียดได้ที่นี่ – Hadley Wickham