Επεξεργασία κειμένου

Εισαγωγή

Σε αυτό το κεφάλαιο, εξετάζουμε διάφορες τεχνικές επεξεργασίας κειμένου (text manipulation) στην R. Πιο συγκεκριμένα, ξεκινάμε βλέποντας πώς χειριζόμαστε τα strings, με έμφαση στην εμφάνιση και στον συνδυασμό (paste) τους. Στη συνέχεια, παρουσιάζουμε το package stringr, μέλος της οικογένειας tidyverse. Αυτό το package περιλαμβάνει συναρτήσεις που κάνουν τον χειρισμό δεδομένων κειμένου πολύ πιο εύκολο σε σύγκριση με τη base R. Τέλος, εξετάζουμε πώς εντοπίζουμε και πώς δουλεύουμε με μοτίβα (patterns) σε δεδομένα κειμένου, μια έννοια γνωστή ως regular expressions (κανονικές εκφράσεις).

Από τα αριθμητικά δεδομένα στα strings

Όταν δουλεύουμε με αριθμητικά δεδομένα, είναι αρκετά διαισθητικό να κάνουμε πράξεις όπως πρόσθεση ή πολλαπλασιασμό σε vectors. Ωστόσο, η επεξεργασία των strings (ή δεδομένων χαρακτήρων), που αποτελούν έναν από τους βασικούς τύπους δεδομένων της R, απαιτεί ειδικές συναρτήσεις. Η επεξεργασία strings μπορεί να γίνει πολύπλοκη, ειδικά όταν συνδυάζουμε strings από ένα μόνο vector ή από διαφορετικές στήλες ενός data frame. Με δεδομένα κειμένου, μπορούμε να κάνουμε εργασίες όπως η προσθήκη ή η αντικατάσταση κειμένου, η εύρεση αντιστοιχιών, η καταμέτρηση γραμμάτων, ο εντοπισμός της θέσης συγκεκριμένων χαρακτήρων κειμένου και πολλές άλλες.

Εμφάνιση strings

Μπορούμε να χρησιμοποιήσουμε μονά εισαγωγικά ('') ή διπλά εισαγωγικά ("") για να ορίσουμε μια τιμή (οποιαδήποτε τιμή) ως string. Για παράδειγμα, ας υποθέσουμε ότι θέλουμε να εμφανίσουμε μία από τις πιο γνωστές φράσεις στον κόσμο της επιστήμης υπολογιστών, της επιστήμης δεδομένων και της μηχανικής δεδομένων, το "Hello world!". Μπορούμε να εμφανίσουμε αυτή τη φράση με τη συνάρτηση print(), περικλείοντας το κείμενο σε μονά ή διπλά εισαγωγικά:

# Εμφάνιση με μονά εισαγωγικά
print('Hello world!')
[1] "Hello world!"
# Εμφάνιση με διπλά εισαγωγικά
print("Hello world!")
[1] "Hello world!"

Και στις δύο περιπτώσεις, παίρνουμε ακριβώς τα ίδια αποτελέσματα. Τι γίνεται όμως αν χρειαστεί να έχουμε διπλά ή μονά εισαγωγικά μέσα σε ένα string; Επειδή η R δεν θα ήξερε ποια εισαγωγικά θέλουμε να συμπεριλάβουμε στο string, πρέπει να μπορούμε να ξεκαθαρίσουμε ποια εισαγωγικά αποτελούν μέρος του ίδιου του κειμένου και ποια χρησιμοποιούνται για να δηλώσουν ένα string. Για να το κάνουμε αυτό, πρέπει να χρησιμοποιήσουμε μια λεγόμενη ακολουθία διαφυγής (escape sequence). Για τον σκοπό αυτό, χρησιμοποιούμε τον ειδικό χαρακτήρα backslash (\) πριν από τα μονά ή διπλά εισαγωγικά που θέλουμε να συμπεριλάβουμε στο string, καθώς και τη συνάρτηση cat(). Η συνάρτηση cat() χρησιμοποιείται για να συνενώνει και να εμφανίζει κείμενο με τρόπο πιο κατάλληλο για τη μορφοποίηση strings, ειδικά όταν δουλεύουμε με ακολουθίες διαφυγής ή όταν θέλουμε να εμφανίσουμε το κείμενο ακριβώς όπως είναι, χωρίς πρόσθετους χαρακτήρες όπως εισαγωγικά ή backslashes. Σε αντίθεση με τη συνάρτηση print(), η οποία εμφανίζει την εσωτερική αναπαράσταση των objects (συμπεριλαμβανομένων των εισαγωγικών γύρω από τα strings), η συνάρτηση cat() εμφανίζει το string ως απλό κείμενο:

# Εμφάνιση του "I want to print "Hello World"" με την print()
print("I want to print \"Hello World!\"")
[1] "I want to print \"Hello World!\""
# Εμφάνιση του "I want to print "Hello World!"" με την cat()
cat("I want to print \"Hello World!\"")
I want to print "Hello World!"

Η συνάρτηση print() εμφανίζει το string ως "I want to print \"Hello world!\"", επειδή δείχνει τόσο τα διπλά εισαγωγικά όσο και τα backslashes. Αντίθετα, η συνάρτηση cat() εμφανίζει I want to print "Hello world!" χωρίς τους πρόσθετους χαρακτήρες, κάνοντας την έξοδο πιο καθαρή και πιο ευανάγνωστη.

Η χρήση της cat() είναι ιδιαίτερα χρήσιμη όταν μορφοποιούμε strings που περιλαμβάνουν ειδικούς χαρακτήρες, όπως εισαγωγικά, καθώς μας δίνει μεγαλύτερο έλεγχο στον τρόπο που εμφανίζεται η έξοδος.

Συνδυασμός αποτελεσμάτων

Η συνάρτηση paste() μπορεί να χρησιμοποιηθεί όταν θέλουμε να συνδυάσουμε δύο ή περισσότερες τιμές string σε ένα μόνο string. Για παράδειγμα, μπορούμε να χρησιμοποιήσουμε τη συνάρτηση paste() για να εμφανίσουμε το "Hello World", όταν οι δύο λέξεις είναι ξεχωριστά strings. Το παρακάτω παράδειγμα μάς βοηθά να καταλάβουμε τη διαφορά:

# Εμφάνιση του "Hello World" με την paste
paste("Hello", "World!")
[1] "Hello World!"

Η συνάρτηση paste() συνδυάζει τις δύο τιμές string σε ένα string, διαχωρίζοντάς τις με ένα κενό διάστημα. Αυτό συμβαίνει επειδή το προεπιλεγμένο διαχωριστικό της συνάρτησης paste() είναι το κενό διάστημα. Μπορούμε όμως να χρησιμοποιήσουμε διαφορετικό διαχωριστικό, αλλάζοντας το όρισμα sep. Για παράδειγμα, ας υποθέσουμε ότι θέλουμε να εμφανίσουμε το string "Data-Science":

# Εμφάνιση του "Data-Science"
paste("Data", "Science", sep = "-")
[1] "Data-Science"

Τα πράγματα μπορούν να γίνουν πιο περίπλοκα όταν αρχίζουμε να βάζουμε ολόκληρα vectors χαρακτήρων μέσα στη συνάρτηση paste(), αντί για μία μόνο τιμή string. Για παράδειγμα, ας υποθέσουμε ότι έχουμε ένα scalar (ένα vector ενός στοιχείου ή απλώς μια μεμονωμένη τιμή, όπως πριν) και ένα vector δύο στοιχείων ("Science" και "Analytics"):

# Εμφάνιση με ένα scalar και ένα vector
scalar <- "Data"
vector <- c("Science", "Analytics")
paste(scalar, vector, sep = "-")
[1] "Data-Science"   "Data-Analytics"

Όταν έχουμε δύο vectors ίδιου μήκους, γίνεται vectorization, όπως θα περιμέναμε με εισόδους τύπου vector. Αυτό σημαίνει ότι κάθε στοιχείο του ενός vector συνδυάζεται με το αντίστοιχο στοιχείο του άλλου vector.

# Εμφάνιση με δύο vectors
vector1 <- c("Data", "Science")
vector2 <- c("Data", "Analytics")
paste(vector1, vector2, sep = "-")
[1] "Data-Data"         "Science-Analytics"

Με vectors που δεν έχουν το ίδιο μήκος, η R θα «ανακυκλώσει» (recycle) το μικρότερο vector για να φτάσει το μήκος του μεγαλύτερου. Αυτό σημαίνει ότι το μικρότερο vector επαναλαμβάνεται μέχρι να αντιστοιχιστεί στο μήκος του μεγαλύτερου, κάτι που μερικές φορές μπορεί να οδηγήσει σε αναπάντεχα ή ανεπιθύμητα αποτελέσματα, αν δεν χρησιμοποιηθεί προσεκτικά.

# Εμφάνιση με δύο vectors
vector1 <- c("Data", "Science")
vector2 <- c("Data", "Analytics", "Engineering")
paste(vector1, vector2, sep = "-")
[1] "Data-Data"         "Science-Analytics" "Data-Engineering" 

Αν θέλουμε να συνδυάσουμε όλα τα στοιχεία μαζί, μπορούμε να χρησιμοποιήσουμε το όρισμα collapse, δηλώνοντας το string που θα χρησιμοποιηθεί για να ενωθούν τα στοιχεία. Για παράδειγμα, ας υποθέσουμε ότι προσθέτουμε στο τελευταίο παράδειγμα το όρισμα collapse με την τιμή " and " (παρατηρήστε ότι βάλαμε κενά διαστήματα ενδιάμεσα):

# Εμφάνιση με ένα scalar και ένα vector
scalar <- "Data"
vector <- c("Science", "Analytics")
paste(scalar, vector, sep = "-", collapse = " and ")
[1] "Data-Science and Data-Analytics"
# Εμφάνιση με δύο vectors
vector1 <- c("Data", "Science")
vector2 <- c("Data", "Analytics")
paste(vector1, vector2, sep = "-", collapse = " and ")
[1] "Data-Data and Science-Analytics"

Τέλος, μια παραλλαγή της συνάρτησης paste() είναι η paste0(). Η διαφορά μεταξύ αυτών των δύο συναρτήσεων είναι ότι η paste() παρεμβάλλει ένα κενό διάστημα μεταξύ των κομματιών κειμένου, ενώ η paste0() όχι. Ουσιαστικά, η paste0() είναι μια ειδική περίπτωση της paste(), στην οποία το όρισμα sep έχει οριστεί σε "":

# Εμφάνιση του "Hello World" με την paste()
paste("Hello", "World!")
[1] "Hello World!"
# Εμφάνιση του "Hello World" με την paste0()
paste0("Hello", "World!")
[1] "HelloWorld!"

Όταν χρησιμοποιούμε τέτοιες συναρτήσεις, συνιστάται να κάνουμε κάποιες δοκιμαστικές εμφανίσεις, ώστε να βεβαιωθούμε ότι η έξοδος είναι η αναμενόμενη· είδαμε ότι, όταν έχουμε vectors μέσα στη συνάρτηση, τα πράγματα μπορούν να γίνουν περίπλοκα.

Το package stringr

Όπως αναφέραμε στην αρχή, ένα package που μπορούμε να χρησιμοποιήσουμε για την επεξεργασία κειμένου είναι το stringr, το οποίο μπορεί επίσης να φορτωθεί μαζί με το package tidyverse. Παρόλο που η base R παρέχει ήδη πολλές εναλλακτικές συναρτήσεις για την επεξεργασία strings, είναι καλύτερο να χρησιμοποιούμε το stringr, λόγω της συνεπούς σύνταξής του:

  • Κάθε συνάρτηση ξεκινά με str_

  • Το πρώτο όρισμα κάθε συνάρτησης είναι πάντα ένα string, το οποίο αναφέρεται στην τιμή (ή στις τιμές) string στις οποίες θέλουμε να εφαρμόσουμε τη συνάρτηση

Με το RStudio, αυτό είναι πολύ βολικό, καθώς δεν χρειάζεται να θυμόμαστε όλες αυτές τις συναρτήσεις επεξεργασίας strings: όταν πληκτρολογούμε str, το RStudio μάς εμφανίζει αυτόματα όλες τις διαθέσιμες επιλογές.

Ας ξεκινήσουμε φορτώνοντας το package stringr και δημιουργώντας ένα vector με τιμές χαρακτήρων:

# Βιβλιοθήκες
library(stringr)

# Αποφθέγματα
quotes <- c("Become a Master in Data Science.",
            "The best way to learn data science is to do data science.",
            "Text mining is an essential skill.")

Με αυτό το vector χαρακτήρων, μπορούμε να πειραματιστούμε με τις πολλές συναρτήσεις του package stringr, καθεμία με διαφορετικό σκοπό. Για παράδειγμα, ας υποθέσουμε ότι θέλουμε να ελέγξουμε αν το string "is" υπάρχει μέσα σε κάθε τιμή του vector. Μπορούμε να το κάνουμε αυτό με τη συνάρτηση str_detect(), αφού προσπαθούμε να «εντοπίσουμε» (detect) αν ένα συγκεκριμένο μοτίβο υπάρχει μέσα σε ένα string:

# Υπάρχει το μοτίβο μέσα στο string;
str_detect(quotes, pattern = "is")
[1] FALSE  TRUE  TRUE

Όπως αναμενόταν, παίρνουμε τις τιμές FALSE, TRUE και TRUE, επειδή το string "is" βρίσκεται μέσα στο δεύτερο και στο τρίτο στοιχείο του vector, αλλά όχι στο πρώτο.

Μια άλλη παρόμοια συνάρτηση είναι η συνάρτηση str_which(). Αυτή η συνάρτηση μοιάζει με τη συνάρτηση which() της base R και δείχνει σε ποια στοιχεία υπάρχει το μοτίβο που ορίσαμε:

# Επιστροφή των θέσεων των στοιχείων που περιέχουν το μοτίβο
str_which(quotes, pattern = "is")
[1] 2 3

Όσον αφορά την εξαγωγή υποσυνόλων από strings, μπορούν να χρησιμοποιηθούν οι συναρτήσεις str_sub() και str_subset(). Η πρώτη παίρνει ένα υποσύνολο ενός string με βάση συγκεκριμένες θέσεις, ενώ η δεύτερη με βάση ένα συγκεκριμένο μοτίβο. Το παρακάτω παράδειγμα δείχνει πώς λειτουργούν και μάς βοηθά να καταλάβουμε τη διαφορά μεταξύ των δύο:

# Εξαγωγή των 6 πρώτων χαρακτήρων
str_sub(quotes, start = 1, end = 6)
[1] "Become" "The be" "Text m"
# Επιστροφή του υποσυνόλου των strings που περιέχουν το string "Master"
str_subset(quotes, pattern = "Master")
[1] "Become a Master in Data Science."

Αν θέλουμε να ελέγξουμε αν ένα συγκεκριμένο μοτίβο υπάρχει μέσα σε ένα string, η συνάρτηση str_view() επισημαίνει αυτό το μοτίβο (αν υπάρχει, φυσικά).

# Τονισμός της λέξης "is"
str_view(quotes, pattern = "is")
[2] │ The best way to learn data science <is> to do data science.
[3] │ Text mining <is> an essential skill.

Με τη συνάρτηση str_split(), μπορούμε να χωρίσουμε ένα string σε μια list, με τα μέρη του να διαχωρίζονται από ένα συγκεκριμένο μοτίβο. Στο παρακάτω παράδειγμα, βλέπουμε πώς κάθε στοιχείο αποτελεί διαφορετικό μέρος της list, καθώς και πώς το string στο δεύτερο και στο τρίτο στοιχείο χωρίζεται μέσα στη list:

# Χωρισμός των φράσεων για τη δημιουργία μιας list
str_split(quotes, pattern = "is")
[[1]]
[1] "Become a Master in Data Science."

[[2]]
[1] "The best way to learn data science "
[2] " to do data science."               

[[3]]
[1] "Text mining "         " an essential skill."

Υπάρχουν πολλές άλλες συναρτήσεις στο stringr, αλλά ο παρακάτω πίνακας δίνει μια επισκόπηση των πιο συχνά χρησιμοποιούμενων. Πιο συγκεκριμένα, ο παρακάτω πίνακας περιλαμβάνει τα ονόματα των συναρτήσεων και τις περιγραφές τους. Είναι καλό να επιστρέφουμε σε αυτόν τον πίνακα όταν θέλουμε να λύσουμε κάποιο ζήτημα που αφορά strings.

Συνάρτηση

Περιγραφή

str_detect()

Υπάρχει το μοτίβο μέσα στο string;

str_which()

Επιστρέφει τα indexes των στοιχείων που περιέχουν το μοτίβο

str_sub()

Εξάγει τους χαρακτήρες με βάση συγκεκριμένες θέσεις (π.χ. από 1 έως 6)

str_subset()

Επιστρέφει το υποσύνολο των strings που περιέχουν το μοτίβο (π.χ. "Master")

str_replace()

Αντικαθιστά το πρώτο μέρος ενός string με ένα άλλο (αν βρεθεί το μοτίβο)

str_replace_all()

Αντικαθιστά όλα τα μέρη ενός string με ένα άλλο (αν βρεθεί το μοτίβο)

str_locate()

Επιστρέφει τις θέσεις της πρώτης εμφάνισης του μοτίβου

str_locate_all()

Επιστρέφει τις θέσεις όλων των εμφανίσεων του μοτίβου

str_to_upper()

Μετατρέπει όλους τους χαρακτήρες σε κεφαλαία

str_to_lower()

Μετατρέπει όλους τους χαρακτήρες σε πεζά

str_to_title()

Μετατρέπει τον πρώτο χαρακτήρα σε κεφαλαίο και τους υπόλοιπους σε πεζά

str_length()

Ο αριθμός των χαρακτήρων ενός string

str_count()

Μετρά πόσες φορές εμφανίζεται ένα μοτίβο σε ένα string

str_replace_na()

Αντικαθιστά όλες τις τιμές NA με μια νέα τιμή

str_trim()

Αφαιρεί τα κενά από την αρχή και το τέλος ενός string

str_sort()

Ταξινομεί το vector αλφαβητικά

str_order()

Τα indexes για την αλφαβητική ταξινόμηση του vector

str_trunc()

Περικόπτει ένα string σε συγκεκριμένο μήκος (οι τελείες καταλαμβάνουν 3 θέσεις)

str_c()

Ενώνει strings

str_view_all()

Τονίζει όλα τα μέρη ενός string που ταιριάζουν με το μοτίβο

str_split()

Χωρίζει ένα string σε μια list, με τα μέρη του να διαχωρίζονται από το μοτίβο

Regular expressions

Στην R, τα regular expressions (κανονικές εκφράσεις) είναι εργαλεία εντοπισμού μοτίβων (pattern matching) που επιτρέπουν τη συνοπτική και ευέλικτη επεξεργασία δεδομένων κειμένου, παρέχοντας μια σύνταξη για τον ορισμό μοτίβων αναζήτησης και διευκολύνοντας την αντιστοίχιση και την επεξεργασία των strings. Με απλά λόγια, χρησιμοποιούμε τα regular expressions για να περιγράψουμε μοτίβα σε strings (Friedl, 2006). Για να κατανοήσουμε τι σημαίνει αυτό και πώς μπορούμε να χρησιμοποιήσουμε τα regular expressions, θα χρησιμοποιήσουμε το string "Data!" με τη συνάρτηση str_detect() που εξετάσαμε προηγουμένως:

# Έλεγχος regular expression για το "Data!"
str_detect("Data!", pattern = "^....!")
[1] TRUE

Τι ακριβώς είναι αυτό το μοτίβο; Όπως βλέπουμε, μόλις αντιστοιχίσαμε το μοτίβο του “Data!” χρησιμοποιώντας μια ακολουθία ειδικών χαρακτήρων. Ο ειδικός χαρακτήρας caret (^) δηλώνει την αρχή ενός string, χωρίς να λαμβάνει υπόψη (ή να αναπαριστά) το πρώτο γράμμα. Στη συνέχεια, χρησιμοποιήσαμε τον ειδικό χαρακτήρα τελεία (.) 4 φορές, επειδή μια τελεία αναπαριστά οποιονδήποτε μεμονωμένο χαρακτήρα. Επειδή η λέξη "Data" έχει 4 γράμματα, χρησιμοποιήσαμε την τελεία (.) 4 φορές για να αποδώσουμε το μοτίβο. Τέλος, προσθέσαμε το ίδιο το θαυμαστικό (!), το οποίο απλώς αντιστοιχεί στον εαυτό του, επειδή εμφανίζεται στο string μας. Ως αποτέλεσμα, περιγράψαμε πλήρως το μοτίβο του string "Data!", και γι’ αυτό πήραμε TRUE ως έξοδο. Είναι σημαντικό να καταλάβουμε ότι ακριβώς το ίδιο regular expression θα περιέγραφε και παρόμοια strings, όπως το "Math!" ή το "Stat!", καθώς το μοτίβο είναι ακριβώς το ίδιο (4 γράμματα ακολουθούμενα από θαυμαστικό (!)):

# Έλεγχος regular expression για το "Math!"
str_detect("Math!", pattern = "^....!")
[1] TRUE
# Έλεγχος regular expression για το "Stat!"
str_detect("Stat!", pattern = "^....!")
[1] TRUE

Αυτή είναι στην πραγματικότητα η διαφορά ανάμεσα στα regular expressions και στη χρήση της ίδιας ακριβώς τιμής ενός string ως μοτίβου. Αν είχαμε χρησιμοποιήσει την τιμή “Data!” στο όρισμα pattern, θα παίρναμε φυσικά την έξοδο TRUE στο πρώτο παράδειγμα, αλλά θα παίρναμε FALSE στα άλλα δύο. Επειδή ο σκοπός μας είναι να περιγράψουμε το γενικό μοτίβο διαδοχικών τιμών σε ένα vector, είναι πολύ χρήσιμο να μπορούμε να περιγράφουμε αυτά τα μοτίβα:

# Έλεγχος regular expression για το "Data!" με το μοτίβο "Data!"
str_detect("Data!", pattern = "Data!")
[1] TRUE
# Έλεγχος regular expression για το "Math!" με το μοτίβο "Data!"
str_detect("Math!", pattern = "Data!")
[1] FALSE
# Έλεγχος regular expression για το "Stat!" με το μοτίβο "Data!"
str_detect("Stat!", pattern = "Data!")
[1] FALSE

Το κύριο ζητούμενο, φυσικά, είναι να καταλάβουμε γιατί τα regular expressions είναι χρήσιμα. Τα regular expressions είναι πολύ χρήσιμα στην επεξεργασία δεδομένων κειμένου. Για παράδειγμα, ας υποθέσουμε ότι έχουμε ένα vector που περιγράφει το σωματικό βάρος πέντε ατόμων:

# Δημιουργία ενός vector
body_weight <- c("75 KG", "82 KG", "85 KG", "68 KG", "79 KG")

# Εμφάνιση του body_weight
body_weight
[1] "75 KG" "82 KG" "85 KG" "68 KG" "79 KG"
# Εμφάνιση της κλάσης του body_weight
class(body_weight)
[1] "character"

Επειδή σε αυτό το vector έχουμε κείμενο, ο τύπος δεδομένων του vector που δημιουργήσαμε είναι character. Στην πράξη όμως, πιθανότατα θα θέλαμε να χωρίσουμε αυτές τις αριθμητικές τιμές από τις τιμές χαρακτήρων μέσα σε κάθε στοιχείο του vector body_weight, ώστε να κάνουμε αναλύσεις στις αριθμητικές τιμές. Με άλλα λόγια, δεν χρειάζεται να υπάρχει το string "KG" στο vector μας. Περιγράφοντας το μοτίβο στη συνάρτηση str_remove() του package stringr, μπορούμε να αφαιρέσουμε αυτά τα strings με τη βοήθεια των regular expressions:

# Δημιουργία ενός vector
body_weight <- str_remove(string = body_weight, pattern = c(" ..$"))

# Εμφάνιση του body_weight
body_weight
[1] "75" "82" "85" "68" "79"
# Εμφάνιση της κλάσης του body_weight
class(body_weight)
[1] "character"

Αυτό το απλό παράδειγμα δείχνει καθαρά την αξία των regular expressions. Ωστόσο, τα regular expressions μπορούν να προκαλέσουν μεγάλη σύγχυση, ειδικά όταν δουλεύουμε με πιο περίπλοκα strings. Για αυτόν τον λόγο, θα μάθουμε πώς να δημιουργούμε regular expressions με το package rebus, το οποίο περιέχει συναρτήσεις που μας βοηθούν να κατασκευάζουμε regular expressions πιο εύκολα, με τρόπο πιο κοντά στην ανθρώπινη γλώσσα. Παρόλο που δεν αποτελεί μέρος του tidyverse, αυτό το package συνεργάζεται πολύ καλά με το stringr. Για να δούμε πώς λειτουργεί, ας φορτώσουμε το package rebus και ας χρησιμοποιήσουμε τη σύνταξή του για να περιγράψουμε το ίδιο string "Data!" (με τη συνάρτηση str_detect()):

# Βιβλιοθήκη
library(rebus)

# Έλεγχος regular expression για το "Data!" με τη base R
str_detect("Data!", pattern = "^....!")
[1] TRUE
# Έλεγχος regular expression για το "Data!" με το rebus
str_detect("Data!",
           pattern = START %R% ANY_CHAR %R%
             ANY_CHAR %R% ANY_CHAR %R% ANY_CHAR %R% "!")
[1] TRUE

Το μοτίβο είναι πολύ πιο κατανοητό με τον τρόπο που το γράψαμε χρησιμοποιώντας το package rebus. Ξεκινάμε (START) το μοτίβο, μετά χρησιμοποιούμε τη σύνταξη ANY_CHAR τέσσερις φορές, επειδή το string "Data" αποτελείται από 4 γράμματα, και τέλος χρησιμοποιούμε ένα θαυμαστικό σε διπλά εισαγωγικά. Ο ειδικός τελεστής %R% μπορεί να διαβαστεί ως «ακολουθούμενο από» ή «έπειτα». Με τη σύνταξη που αναφέραμε όμως, περιγράφουμε ολόκληρο το μοτίβο του string "Data!". Θα μπορούσαμε να περιγράψουμε αυτή τη λέξη με πολλούς διαφορετικούς τρόπους, όπως στο παρακάτω παράδειγμα:

# Μοτίβο: η τιμή χαρακτήρων ξεκινά με οποιονδήποτε χαρακτήρα
str_detect("Data!", pattern = START %R% ANY_CHAR)
[1] TRUE
# Μοτίβο: η τιμή χαρακτήρων τελειώνει με θαυμαστικό
str_detect("Data!", pattern = "!" %R% END)
[1] TRUE

Και στις δύο περιπτώσεις, παίρνουμε την τιμή TRUE. Είναι λοιπόν σημαντικό να καταλάβουμε ότι δεν χρειάζεται να περιγράφουμε κάθε φορά ολόκληρο το μοτίβο. Το πώς θα περιγράψουμε ένα μοτίβο εξαρτάται πραγματικά από τα δεδομένα που έχουμε. Ειδικά με τα regular expressions, είναι σημαντικό να εξασκούμαστε και να προσπαθούμε να καταλάβουμε την έξοδο που παίρνουμε όταν χρησιμοποιούμε ένα συγκεκριμένο μοτίβο. Στο προηγούμενο παράδειγμά μας, αν ορίσουμε το μοτίβο σε START %R% one_or_more(DGT) (χωρίς εισαγωγικά), παίρνουμε την τιμή FALSE. Ο λόγος είναι ότι το string "Data!" δεν ξεκινά με ένα ή περισσότερα ψηφία, αλλά αν είχαμε το string "4-Data!", θα παίρναμε την τιμή TRUE:

# Περιγραφή του "Data!"
str_detect("Data!", pattern = START %R% one_or_more(DGT))
[1] FALSE
# Περιγραφή του "4-Data!"
str_detect("4-Data!", pattern = START %R% one_or_more(DGT))
[1] TRUE

Τώρα που εξετάσαμε τη λογική πίσω από τα regular expressions και το package rebus, μπορούμε να επικεντρωθούμε στις πιο τεχνικές λεπτομέρειες. Ο παρακάτω πίνακας συνοψίζει τη σύνταξη που χρησιμοποιείται στο package rebus για την αναπαράσταση διαφορετικών μοτίβων. Είναι σημαντικό να σημειώσουμε ότι η σύνταξη που χρησιμοποιούμε με το rebus δεν θεωρείται regular expression· χρησιμοποιούμε το rebus για να κατασκευάσουμε ένα regular expression με πιο εύκολο τρόπο.

Rebus

Περιγραφή

START

Αρχή ενός string

END

Τέλος ενός string

ANY_CHAR

Οποιοσδήποτε μεμονωμένος χαρακτήρας

optional()

Προαιρετικό μοτίβο

zero_or_more()

Καμία ή περισσότερες εμφανίσεις

one_or_more()

Μία ή περισσότερες εμφανίσεις

repeated()

Επαναλαμβανόμενο μοτίβο

or()

Επιλογή μεταξύ εναλλακτικών

char_class()

Οποιοσδήποτε χαρακτήρας μέσα σε ένα συγκεκριμένο σύνολο

negated_char_class()

Οποιοσδήποτε χαρακτήρας που ΔΕΝ ανήκει σε ένα συγκεκριμένο σύνολο

CARET

Το σύμβολο caret

DOLLAR

Το σύμβολο του δολαρίου

DOT

Η τελεία

DGT

Οποιοδήποτε ψηφίο

WRD

Οποιοσδήποτε χαρακτήρας

SPC

Οποιοσδήποτε κενός χαρακτήρας