Regulární výrazy mohou zpočátku působit trochu děsivě – obsahují spoustu speciálních znaků. V této kapitole se naučíš je rozluštit a psát vlastní vzory, které najdou přesně to, co hledáš.

Vítej

Začíná na, končí na

Když nevíš, co přesně hledáš

Třídy znaků a opakování

Číslice, slova a mezery

Opakování ve vzorech

Který speciální znak dělal co?

Roura a otazník

Tohle nebo tamto

Otazník a jeho dva významy

Teď už to umíš přečíst!

Regulární výrazy: tvoříme vlastní vzory

V této kapitole se na chvíli odložíme regulární výrazy stranou a zaměříme se na práci s řetězci – budeme je vytvářet z jiných datových struktur, jako jsou vektory nebo seznamy.

Seznámení s glue

Konec lepení, začínáme glue

Glue a datové rámce

Kolik argumentů může glue přijmout?

Spojování více prvků do řetězce

Sestavení otázky ze seznamu

Skládání datových rámců

glue a glue_collapse – jaký je mezi nimi rozdíl?

Sestavování regulárních výrazů pomocí glue

Vytváření vzorů s podmínkou „nebo" pomocí glue

Použití vzoru „nebo" na větším datasetu

Zpřehledni složité vzory

Vytváření řetězců z dat

Regulární výrazy opravdu zazáří při zpracování neuspořádaného textu. V této kapitole se naučíš extrahovat informace z dat, která nepřicházejí v přehledných tabulkách, ale v prostém textu.

Zachytávací skupiny

Zachycení všech skupin

Hledání a nahrazování

Dají se zachytávací skupiny vnořovat?

Funkce extract z tidyr

Vytvoření regulárního výrazu podle potřeby

Proč tohle selže?

Extrakce pomocí pokročilého regulárního výrazu

Extrakce shod a jejich okolí z textu

Extrakce jmen s kontextem

Tolik speciálních znaků

Extrakce strukturovaných dat z textu

V poslední kapitole opustíme regulární výrazy a zaměříme se na vzdálenosti řetězců. Výpočtem rozdílů mezi řetězci dokážeme spárovat ty, které si jsou podobné – a najít tak duplicity i tehdy, když obsahují drobné chyby jako překlepy. Právě to je klíčová součást record linkage, kde kombinujeme datasety z různých zdrojů.

Porozumění vzdálenostem mezi řetězci

Výpočet vzdálenosti řetězců

Hledání shody při překlepu ve vyhledávání

Metody výpočtu vzdáleností řetězců

Metody

Edit distance metody

Metody q-gramů

Edit distance vs. metody q-gramů

Vyzkoušení různých metod

Je jedna vzdálenost lepší než druhá?

Fuzzy joiny

Spojení pomocí vzdálenosti řetězců

Vzdálenosti krátkých řetězců

Vlastní fuzzy párování

Hledání shod na základě dvou podmínek

Proč spojovat podle více sloupců?

Gratulujeme!

Podobnost řetězců

Analyzovat data v tabulkách je zábava. Ale co když to nejzajímavější není v přehledném datasetu, ale v prostém textu? Nevzdávej to: v tomto kurzu se naučíš vše, co potřebuješ k psaní výkonných regulárních výrazů, které ti pomohou z libovolného textu vytáhnout přesně ty informace, jež pro svou analýzu potřebuješ. A to není vše – díky konceptu vzdáleností řetězců zvládneš pracovat i s textem plným překlepů nebo chyb ze skenování a spárovat ho se správnými záznamy z jiných zdrojů (record linkage). Jako studijní materiál budeme analyzovat skutečné dokumenty o tržbách švýcarských kin.

Introduction to the Tidyverse

String Manipulation with stringr in R

Naučte se manipulovat s textem, analyzovat a identifikovat chyby pomocí regulárních výrazů v R.

Intermediate Regular Expressions in R

Proč spojovat podle více sloupců?

Intermediate Regular Expressions in R

Interaktivní praktické cvičení