从R中的字符串中删除表情符号答案

【问题标题】：remove emoji from string in R从R中的字符串中删除表情符号
【发布时间】：2016-11-08 00:11:57
【问题描述】：

我有一个推文列表，其中许多包含需要删除的表情符号。在 R 中执行此操作的最有效方法是什么？

我尝试了以下方法，该方法应该将所有以“\”开头的单词替换为空格，但我收到此错误

some_tweets <- gsub("\\\w+ *", "", some_tweets)
Error: '\w' is an unrecognized escape in character string starting ""\\\w"

以下是数据示例：

> head(some_tweets)
[1] "ஆமா நான் பாக்கவே இல்லை \U0001f625\U0001f625\U0001f625"                               
[2] "எனக்கு அனுப்பலாமே \U0001f913\U0001f913\U0001f913"                                  
[3] "அவர் ஏன்டா ப்ளாக் பண்ணார் \U0001f602\U0001f602\U0001f602\U0001f602"                        
[4] "ஆமா"                                                                           
[5] "RT : சும்மார்றா சுன்னி.. ~ ஆதவன்"                                                      
[6] "கைலியை எல்லாம் லூஸ் பண்ணிகிட்டு உக்காந்து இருக்கேன் அடுத்து போடுங்கயா \U0001f608\U0001f608\U0001f608"


> dput(head(some_tweets))
c("ஆமா நான் பாக்கவே இல்லை \U0001f625\U0001f625\U0001f625", 
"எனக்கு அனுப்பலாமே \U0001f913\U0001f913\U0001f913", 
"அவர் ஏன்டா ப்ளாக் பண்ணார் \U0001f602\U0001f602\U0001f602\U0001f602", 
"ஆமா", "RT : சும்மார்றா சுன்னி.. ~ ஆதவன்", 
"கைலியை எல்லாம் லூஸ் பண்ணிகிட்டு உக்காந்து இருக்கேன் அடுத்து போடுங்கயா \U0001f608\U0001f608\U0001f608"
)

【问题讨论】：

您只是在使用gsub 而没有使用正则表达式。您需要使用正则表达式。
\\\\w+ * 工作吗？
我试过\\\\w+ *但它不起作用
输出应该是什么样的？
它应该保留所有的泰米尔语字符，而所有的表情符号（以“\U”开头的应该被删除

标签： r regex twitter unicode substitution

【解决方案1】：

查看regular-expressions.info on Unicode，它对正则表达式中的 Unicode 进行了详尽的解释。这里重要的部分是您可以将 Unicode 字符与\p{xx} 匹配，其中xx 是它们所在类的名称（例如L 用于字母，M 用于标记）。在这里，您的表情符号似乎在 So（Other_Symbol 的简写）和 Cn（Unassigned 的简写）类中，因此我们可以将它们替换为：

gsub('\\p{So}|\\p{Cn}', '', some_tweets, perl = TRUE)
## [1] "ஆமா நான் பாக்கவே இல்லை "                                       
## [2] "எனக்கு அனுப்பலாமே "                                           
## [3] "அவர் ஏன்டா ப்ளாக் பண்ணார் "                                       
## [4] "ஆமா"                                                        
## [5] "RT : சும்மார்றா சுன்னி.. ~ ஆதவன்"                               
## [6] "கைலியை எல்லாம் லூஸ் பண்ணிகிட்டு உக்காந்து இருக்கேன் அடுத்து போடுங்கயா "

请注意，您需要设置perl = TRUE，因为在 R 的默认 POSIX 1003.2 正则表达式中未启用此表示法；见?base::regex 和?grep。

【讨论】：

感谢 alistaire -- 我遇到了同样的问题，您的解决方案运行良好。
感谢您分享详细正则表达式信息的链接，以便我可以开始修补自己的解决方案。

【解决方案2】：

您可以通过这种方式轻松地从 R 中的字符串中删除所有表情符号：

library(rtweet) # To get emojis dataset
emojis # Look at emojis

library(stringr)
str_remove_all(string = emojis$code, pattern = '[:emoji:]')

【讨论】：