dplyr-Filterbedingung zur Unterscheidung zwischen dem Unicode-Symbol und seiner Unicode-Darstellung

Ich versuche, die Symbolspalte danach zu filtern, ob sie vom Formular ist \uxxxx

Dies ist leicht visuell, das heißt, einige sehen aus wie $, ¢, £, und andere wie \u058f, \u060b, \u07fe.

Aber ich kann es nicht mit stringi/ herausfindendplyr

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      ₣

Was ich versucht habe

Ich habe versucht, Variationen zu verwenden, hatte ncharaber kein Glück


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

Frage

Wie kann ich auf das Symbol Spalte Filter für alle Zeilen der Form $, ¢, £usw. (und umgekehrt für Zeilen wie \u058f, \u060b, \u07fe)?

r dplyr stringr stringi

— stevec
quelle

Haben Sie in diesem Fall versucht, Regex zu verwenden?

— vpz

@vpz habe ich nicht, nein. Ich dachte, es gäbe eine "formellere" Art, dies zu tun, werde aber gerne Regex verwenden, wenn es zuverlässig funktioniert!

— Stevec

Hat die Zeichendarstellung ein Muster für die Symbole?

— vpz

@vpz Die einzige Information ist, was in der SymbolSpalte enthalten ist (ich denke, es sollte ausreichen, aber ich kann nicht herausfinden, wie man unterscheidet - was interessant ist, weil es für menschliche Augen so leicht zu sehen ist)

— stevec

Sie können verwenden utf8::utf8_valid(), dies unterscheidet jedoch möglicherweise nicht zwischen vorhandenem gültigem Unicode und Unicode, der gültig, aber nicht zugewiesen ist. Können Sie etwas näher auf das eingehen, was Sie letztendlich erreichen wollen?

— H 1.

Antworten:

Bearbeiten:

Die Funktion glyphs_match()aus dem gdtoolsPaket ist dafür ausgelegt, hat jedoch bei Verwendung nicht das erwartete Ergebnis zurückgegeben. Ich verwende Lucida Consoleals Schriftart und erhalte bei Verwendung die folgende Ausgabe glyphs_match(). Es scheint eine Glyphe zu geben, die nicht gerendert wird, für die die Funktion jedoch zurückkehrt TRUE. Vielleicht können andere Benutzer erklären, warum dies der Fall ist.

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

Frühere Antwort - funktioniert möglicherweise nur unter Windows:

Abhängig von Ihrer Schriftart / Ihrem System kann es zu Abweichungen kommen. Wenn Sie beispielsweise Ihren Code ausführen, stimmt meine Ausgabe nicht mit den von Ihnen angegebenen überein:

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>

Eine grobe Methode, um zu erfassen, ob die Glyphe vorhanden ist, ist:

 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

So können die Glyphen gefiltert werden durch:

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
quelle

Verwenden Sie as.character.POSIXtdiese Option, um Symbole zu rendern und Leerzeichen einzufügen. Unicode-Zeichen in der Form "\ uxxxx" werden als einzelnes Zeichen gedruckt und alle anderen werden größer. dann können Sie nach Länge filtern:

# 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)

Wenn Sie eine lange Zeichenfolge als 'Symbol' haben (z. B. "aaaaaaaaaa ₣"), wird die Polsterung erhöht und muss berücksichtigt werden, z

# 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
quelle