文字列の句読点を単語の長さで異なる方法で置き換えるR

Question

私は、長い（長い）文字列が多数あるdata.frameを持っています。私はそれらを処理する前にそれらを少しきれいにしようとしていますが、私はピリオドを扱うときに問題に遭遇しました。私は、文章を終わらせるためにピリオドが使われるときと、それが略語の一部として使われるときを区別できるようにしたい。私は単語の長さでこれをやりたいですが、それのための正しい正規表現を考え出していない。

私はこのような文字列を持っています：mystring <- "hello.world from the u.s.a."私はこれを"hello world from the usa"のようなものに置き換えたいと思います。

私はsplit_string <- unlist(strsplit(mystring, split=" "))を使用して、スペースでdata.frameを分割しようとした後、

split_string <- ifelse(nchar(split_string) < 7, gsub(".", "", split_string), gsub(".", " ", split_string))

のようなものを実行しているが、テキストのボディがかなり大きいように、これは非常に遅い（そしてかなり醜いです可能性があり）プロセス。どのように私はより効率的かつクリーンな方法でこれを行うことができますか？

Answer 1

これをテストして、これがもっと速いかどうかを確認できます。区切り文字（最大6文字の空白文字と区切り文字）を検索します。一致する場合は、2番目の引数の式表記で指定された無名関数gsubfnを実行します。その無名関数は、マッチの期間を削除します。残っているものでは、gsubは各ピリオドをスペースで置き換えます。

library(gsubfn) 
pat <- "(?<=^|)(\\S{1,6})(?=$|)" 
gsub("[.]", " ", gsubfn(pat, ~ gsub("[.]", "", ..1), mystring, perl = TRUE)) 
## [1] "hello world from the usa" 

Answer 2

ドットのいずれかの文字の側面については、以下の...

mystring2 <- gsub("(\\w)\\.(\\w)","\\1 \\2",gsub("\\.(\\w+)\\.","\\1",mystring)) 

mystring2 
[1] "hello world from the usa." 

については、それが最初にそれらを削除する方法、そして文字のいずれかの側で残りのドットのために、それはスペースに置き換えます。

これは、例文の最後のドットを文の終わりとしても保持します。