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
| # intro to stringr | |
| install.packages("stringr") | |
| library(stringr) | |
| # check state.name | |
| print(state.name) | |
| # most used function in stringr | |
| str_view(state.name, pattern = "New", match = T) | |
| # create an example string | |
| text <- "DataRockie is the coolest DS school on the internet, founded in Y2015. | |
| It offers free online courses on datarockie.com, go check it!" | |
| # basic regular expressions | |
| str_view(text, "DataRockie") | |
| str_view(text, "2015") | |
| str_view(text, "datarockie") | |
| # this character | means OR | |
| # look for words 'DataRockie' OR 'datarockie' | |
| str_view_all(text, "(D|d)ata(R|r)ockie") | |
| # look for digits | |
| str_view(text, "[0-9]") | |
| str_view(text, "[0-9]+") | |
| str_view(text, "\\d") | |
| str_view(text, "\\d+") | |
| # look for English alphabet | |
| str_view_all(text, "[a-z]+") | |
| str_view_all(text, "[A-Z]+") | |
| # look for space | |
| str_view_all(text, "\\s") | |
| # split text by " " | |
| text_split <- str_split(text, pattern = " ")[[1]] | |
| text_split | |
| # look for words start with 'i' | |
| str_view_all(text_split, "^i.+") | |
| # look for words end with 's' | |
| str_view_all(text_split, ".+s$") |
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
Leave a Reply