3.2 정규표현식 기본 함수
3.2.1 grep(), grepl()
정규표현식을 이용한 특정 문자 패턴 검색 시 가장 빈번히 사용되는 함수들 중 하나임.
grep()
특정 문자 벡터에서 찾고자 하는 패턴과 일치하는 원소의 인덱스, 원소값 반환
# 일치하는 특정 문자열을 포함하는 원소값(문자형) 또는 인덱스(정수)를 반환
grep(
pattern, # 정규 표현식 또는 문자 패턴
string, # 패턴을 검색할 문자열 벡터
value # 논리값
# TRUE: pattern에 해당하는 원소값 반환
# FALSE: pattern이 있는 원소의 색인 반환
)x <- c("Equator", "North Pole", "South Pole")
# x에서 Pole 이 있는 원소의 문자열 반환
grep("Pole", x, value = T)[1] "North Pole" "South Pole"# x에서 Pole 이 있는 원소의 색인 반환
grep("Pole", x, value = F)[1] 2 3# x에서 Eq를 포함한 원소 색인 반환
grep("Eq", x)[1] 1grepl()
grep()과 유사한 기능을 갖지만, 함수의 반환값이 논리형 벡터임
# 일치하는 특정 문자열을 포함하는 원소 색인에 대한 논리값 반환
grepl(
pattern, # 정규 표현식 또는 문자 패턴
string # 패턴을 검색할 문자열 벡터
)- 사용 예시
# grepl() 예시
# Titanic data 불러오기
url1 <- "https://raw.githubusercontent.com/"
url2 <- "agconti/kaggle-titanic/master/data/train.csv"
titanic <- read.csv(paste0(url1, url2),
stringsAsFactors = FALSE)
# 승객이름 추출
pname <- titanic$Name
# 승객 이름이 James 인 사람만 추출
g <- grepl("James", pname)
pname[g] [1] "Moran, Mr. James"
[2] "Crease, Mr. Ernest James"
[3] "Sobey, Mr. Samuel James Hayden"
[4] "Bateman, Rev. Robert James"
[5] "Watt, Mrs. James (Elizabeth \"Bessie\" Inglis Milne)"
[6] "Smith, Mr. James Clinch"
[7] "Brown, Mrs. James Joseph (Margaret Tobin)"
[8] "Bracken, Mr. James H"
[9] "Reed, Mr. James George"
[10] "Baxter, Mrs. James (Helene DeLaudeniere Chaput)"
[11] "Drew, Mrs. James Vivian (Lulu Thorne Christian)"
[12] "Flynn, Mr. James"
[13] "Scanlan, Mr. James"
[14] "Webber, Mr. James"
[15] "McGough, Mr. James Robert"
[16] "Farrell, Mr. James"
[17] "Sharp, Mr. Percival James R"
[18] "Downton, Mr. William James"
[19] "Elsbury, Mr. William James"
[20] "Kelly, Mr. James"
[21] "Hawksford, Mr. Walter James"
[22] "Lester, Mr. James"
[23] "Slemen, Mr. Richard James"
[24] "Banfield, Mr. Frederick James" 3.2.2 regexpr(), gregexpr()
grep()과 grepl()의 한계점 보완: 특정 문자 패턴의 일치여부에 대한 정보를 제공하지만 위치 및 정규식의 일치 여부를 알려주지는 않음
regexpr()
- 문자열에서 패턴이 일치하는 문자(표현)가 첫 번째 등장하는 위치와 몇 개의 문자로 구성(길이) 되어 있는지를 반환
- 예시
x <- c("Darth Vader: If you only knew the power of the Dark Side.
Obi-Wan never told you what happend to your father",
"Luke: He told me enough! It was you who killed him!",
"Darth Vader: No. I'm your father")
# grep 계열 함수
grep("you", x); grepl("you", x)[1] 1 2 3[1] TRUE TRUE TRUE# regexpr()
regexpr("you", x) # 각 x의 문자열에서 you가 처음 나타난 위치 및 길이 반환[1] 17 33 22
attr(,"match.length")
[1] 3 3 3
attr(,"index.type")
[1] "chars"
attr(,"useBytes")
[1] TRUEregexpr("father", x) # 패턴을 포함하지 않은 경우 -1 반환[1] 111 -1 27
attr(,"match.length")
[1] 6 -1 6
attr(,"index.type")
[1] "chars"
attr(,"useBytes")
[1] TRUEsubstr()함수와regexpr()함수를 이용해 텍스트 내 원하는 문자 추출 가능
idx <- regexpr("father", x)
substr(x, idx, idx + attr(idx, "match.length") - 1)[1] "father" "" "father"gregexpr()
- 영역에 걸쳐 패턴과 일치하는 문자의 위치 및 길이 반환(
regexpr()의 global 버전)
gregexpr("you", x) # 각 x의 문자열에서 you가 나타난 모든 위치 및 길이 반환[[1]]
[1] 17 86 106
attr(,"match.length")
[1] 3 3 3
attr(,"index.type")
[1] "chars"
attr(,"useBytes")
[1] TRUE
[[2]]
[1] 33
attr(,"match.length")
[1] 3
attr(,"index.type")
[1] "chars"
attr(,"useBytes")
[1] TRUE
[[3]]
[1] 22
attr(,"match.length")
[1] 3
attr(,"index.type")
[1] "chars"
attr(,"useBytes")
[1] TRUEgregexpr("father", x) # 패턴을 포함하지 않은 경우 -1 반환[[1]]
[1] 111
attr(,"match.length")
[1] 6
attr(,"index.type")
[1] "chars"
attr(,"useBytes")
[1] TRUE
[[2]]
[1] -1
attr(,"match.length")
[1] -1
attr(,"index.type")
[1] "chars"
attr(,"useBytes")
[1] TRUE
[[3]]
[1] 27
attr(,"match.length")
[1] 6
attr(,"index.type")
[1] "chars"
attr(,"useBytes")
[1] TRUE3.2.3 sub(), gsub()
검색하고자 하는 패턴을 원하는 문자로 변경
문자열 벡터의 패턴을 일치시키거나 문자열 정리가 필요할 때 사용
sub()
- 문자열에서 첫 번째 일치하는 패턴만 변경
sub(pattern, # 검색하고자 하는 문자, 패턴, 표현
replacement, # 검색할 패턴 대신 변경하고자 하는 문자 및 표현
x # 문자형 벡터
)- 예시
jude <- c("Hey Jude, don't make it bad",
"Take a sad song and make it better",
"Remember to let her into your heart",
"Then you can start to make it better")
sub("a", "X", jude)[1] "Hey Jude, don't mXke it bad"
[2] "TXke a sad song and make it better"
[3] "Remember to let her into your heXrt"
[4] "Then you cXn start to make it better"gsub()
- 문자열에서 일치하는 모든 패턴 변경
- 예시
sub(" ", "_", jude)[1] "Hey_Jude, don't make it bad"
[2] "Take_a sad song and make it better"
[3] "Remember_to let her into your heart"
[4] "Then_you can start to make it better"gsub(" ", "_", jude)[1] "Hey_Jude,_don't_make_it_bad"
[2] "Take_a_sad_song_and_make_it_better"
[3] "Remember_to_let_her_into_your_heart"
[4] "Then_you_can_start_to_make_it_better"gsub("a", "X", jude)[1] "Hey Jude, don't mXke it bXd"
[2] "TXke X sXd song Xnd mXke it better"
[3] "Remember to let her into your heXrt"
[4] "Then you cXn stXrt to mXke it better"3.2.4 regexec()
regexpr()과 유사하게 작동하지만 괄호(())로 묶인 하위 표현식에 대한 인덱스를 제공
(): 정규 표현식의 메타 문자 중 하나로 그룹을 나타냄 \(\rightarrow\) 정규표현식 내 논리적 테스트 수행 가능
bla <- c("I like statistics",
"I like R programming",
"I like bananas",
"Estates and statues are too expensive")
grepl("like", bla)[1] TRUE TRUE TRUE FALSEgrepl("are", bla)[1] FALSE FALSE FALSE TRUEgrepl("(like|are)", bla)[1] TRUE TRUE TRUE TRUE- 찾고자 하는 패턴을 두 그룹으로 나눌 때 유용
- 예시
gregexpr("stat", bla) [[1]]
[1] 8
attr(,"match.length")
[1] 4
attr(,"index.type")
[1] "chars"
attr(,"useBytes")
[1] TRUE
[[2]]
[1] -1
attr(,"match.length")
[1] -1
attr(,"index.type")
[1] "chars"
attr(,"useBytes")
[1] TRUE
[[3]]
[1] -1
attr(,"match.length")
[1] -1
attr(,"index.type")
[1] "chars"
attr(,"useBytes")
[1] TRUE
[[4]]
[1] 2 13
attr(,"match.length")
[1] 4 4
attr(,"index.type")
[1] "chars"
attr(,"useBytes")
[1] TRUEgregexpr("(st)(at)", bla) [[1]]
[1] 8
attr(,"match.length")
[1] 4
attr(,"index.type")
[1] "chars"
attr(,"useBytes")
[1] TRUE
[[2]]
[1] -1
attr(,"match.length")
[1] -1
attr(,"index.type")
[1] "chars"
attr(,"useBytes")
[1] TRUE
[[3]]
[1] -1
attr(,"match.length")
[1] -1
attr(,"index.type")
[1] "chars"
attr(,"useBytes")
[1] TRUE
[[4]]
[1] 2 13
attr(,"match.length")
[1] 4 4
attr(,"index.type")
[1] "chars"
attr(,"useBytes")
[1] TRUE# "at"에 대한 패턴을 찾지 못하고
# "stat" 패턴과 과 동일한 결과 반환
regexec("(st)(at)", bla)[[1]]
[1] 8 8 10
attr(,"match.length")
[1] 4 2 2
attr(,"index.type")
[1] "chars"
attr(,"useBytes")
[1] TRUE
[[2]]
[1] -1
attr(,"match.length")
[1] -1
attr(,"index.type")
[1] "chars"
attr(,"useBytes")
[1] TRUE
[[3]]
[1] -1
attr(,"match.length")
[1] -1
attr(,"index.type")
[1] "chars"
attr(,"useBytes")
[1] TRUE
[[4]]
[1] 2 2 4
attr(,"match.length")
[1] 4 2 2
attr(,"index.type")
[1] "chars"
attr(,"useBytes")
[1] TRUE# "stat" 패턴도 동시에 반환됨을 유의
# 첫 번째 일치 패턴만 반환3.2.5 strsplit()
- 문자열에서 매칭되는 특정 패턴(문자)을 기준으로 문자열을 분할함
strsplit(
x, # 문자형 벡터
split # 분할 구분 문자(정규표현식 포함)
)- 예시
jude_w1 <- strsplit(jude, " ")
jude_w1[[1]]
[1] "Hey" "Jude," "don't" "make" "it" "bad"
[[2]]
[1] "Take" "a" "sad" "song" "and" "make" "it" "better"
[[3]]
[1] "Remember" "to" "let" "her" "into" "your" "heart"
[[4]]
[1] "Then" "you" "can" "start" "to" "make" "it" "better"# 공백, 쉼표가 있는 경우 구분
jude_w2 <- strsplit(jude, "(\\s|,)")
jude_w2[[1]]
[1] "Hey" "Jude" "" "don't" "make" "it" "bad"
[[2]]
[1] "Take" "a" "sad" "song" "and" "make" "it" "better"
[[3]]
[1] "Remember" "to" "let" "her" "into" "your" "heart"
[[4]]
[1] "Then" "you" "can" "start" "to" "make" "it" "better"