Rではじめるデータサイエンス

186

11

章 

stringr

による文字列

 

2. Harvard 英語コーパスから次の抽出を行いなさい。

a. 各行の先頭の語。

b.

ing

で終わるすべての単語。

c. 複数を表す語。

11.4.3

 グループのマッチ

本章の初めでは、優先順位を明確にしたり、後方参照をするために括弧を用いることを述べまし

た。複雑なマッチの一部を抽出するためにも括弧を使うことができます。例えば、文章から名詞を抽

出したいとします。ヒューリスティックスとして、「a」または「the」の後に来るすべての単語を探し

ます。「単語」を正規表現できちんと定義するのは少し面倒なので、近似を使います。すなわち、空

白以外の文字の1つ以上の連なりとします。

noun <- "(a|the) ([^ ]+)"

has_noun <- sentences %>%

str_subset(noun) %>%

head(10)

has_noun %>%

str_extract(noun)

#>

[1] "the smooth" "the sheet" "the depth" "a chicken"

#> [5] "the parked" "the sun" "the huge" "the ball"

#> [9] "the woman" "a helps"

str_extract()

は完全マッチをします。

str_match()

は個別の部分マッチを示します。文字ベクト

ルではなく行列を返し、第1 列が完全マッチで、第 2 列以降がそれぞれのグループ ...