如何删除df中非常特殊的字符答案

【问题标题】：how to remove a very special character in a df如何删除df中非常特殊的字符
【发布时间】：2021-10-22 07:23:59
【问题描述】：

我有一个 df，其中有一个特殊字符。我想删除它，但不确定如何删除。我试过[:graph:]、[:print:] 和<U+00AE>。但没有任何效果。我该怎么办？是否有办法一次性去除数据集中的类似问题，比如®？

df<-structure(list(df = structure(c(1L, 4L, 2L, 3L), .Label = c("Cabozantinib", 
"Left nephrectomy", "Left Superficial Inguinal Lymph Node Dissection", 
"XmAb<U+00AE>20717 (Duet-2 study - a humanized bispecific monoclonal antibody that binds PD1 and CTLA4)"
), class = "factor")), class = "data.frame", row.names = c(NA, 
-4L))

【问题讨论】：

也许dplyr::mutate(df, df = stringr::str_remove(df, "\\x{00AE}")) 会起作用？
它可能需要一些替换然后转换为打印，即library(stringi);stri_unescape_unicode(str_replace_all(df$df, "<U\\+([^>]+)\\>", "\\\\u\\1"));[1] "Cabozantinib" [2] "XmAb®20717 (Duet-2 study - a humanized bispecific monoclonal antibody that binds PD1 and CTLA4)"...
如果我转换为®，那我应该如何删除它？如果我使用gsub("[[:print:]]", "",df$df )，那么它将全部删除。事实上我的原始数据有®。但是当我把它读成 R 时，它把它变成了这个奇怪的租船者。有什么建议吗？
@Stataq 将其与符号保持原样而不是删除它不是更好吗。
我在构建 wb 并将数据再次输出到 excel 时遇到了问题。我测试了很多次，发现这是停止文件的记录。无论如何要解决它？

标签： r regex

【解决方案1】：

如果打算删除这些字符，请使用模式匹配<U，后跟+（元字符 - 转义\\），后跟一个或多个不是>的字符（ [^>]+) 和str_remove_all 中的> 删除该模式子字符串的所有出现

library(stringr)
df$df <- str_remove_all(df$df, "<U\\+[^>]+\\>")
df$df
[1] "Cabozantinib"                                                                                  
[2] "XmAb20717 (Duet-2 study - a humanized bispecific monoclonal antibody that binds PD1 and CTLA4)"
[3] "Left nephrectomy"                                                                              
[4] "Left Superficial Inguinal Lymph Node Dissection"

如果我们还想打印那些 unicode 字符

library(stringi)
stri_unescape_unicode(str_replace_all(df$df, "<U\\+([^>]+)\\>", "\\\\u\\1"))
[1] "Cabozantinib"                                                                                   
[2] "XmAb®20717 (Duet-2 study - a humanized bispecific monoclonal antibody that binds PD1 and CTLA4)"
[3] "Left nephrectomy"                                                                               
[4] "Left Superficial Inguinal Lymph Node Dissection"

【讨论】：

这里只是对[^>] 字符类的最简短评论，供那些被“这是他们给我的文件......”所困扰的人使用。
当我尝试使用我的原始数据时，它现在看起来像 "XmAb<U+FFFD>20717 (Duet-2 study - a humanized bispecific monoclonal antibody that binds PD1 and CTLA4)" 并且不会改变。 <U+xxx~ > 会不会每次阅读都会改变？
@Stataq 您是否将输出分配回列，即df$df <- ..
@Stataq 它确实改变了.e。 str_remove_all("XmAb<U+FFFD>20717 (Duet-2 study - a humanized bispecific monoclonal antibody that binds PD1 and CTLA4)", "<U\\+[^>]+\\>")# [1] "XmAb20717 (Duet-2 study - a humanized bispecific monoclonal antibody that binds PD1 and CTLA4)"
您的代码适用于 df。 df 是我的原始数据集的一个子集。