Reguliere expressies kunnen in het begin best intimiderend zijn, omdat ze vol staan met speciale tekens. In dit hoofdstuk leer je die te ontcijferen en je eigen patronen te schrijven om precies te vinden wat je zoekt.

Welkom

Begint met, eindigt op

Als je niet weet waar je naar zoekt

Tekenklassen en herhalingen

Cijfers, woorden en spaties

Herhalingen matchen

Welk speciaal teken deed ook alweer wat?

De pipe en het vraagteken

Dit of dat

Het vraagteken en zijn twee betekenissen

Dit kun je nu lezen!

Reguliere expressies: eigen patronen schrijven

In dit hoofdstuk stappen we even weg van reguliere expressies en richten we ons op tekenreeksmanipulatie door tekenreeksen te maken uit andere datastructuren zoals vectoren of lijsten.

Kennismaken met glue

Stoppen met plakken, beginnen met glue

Data frames samenvoegen met glue

Hoeveel argumenten kan glue verwerken?

Meerdere elementen samenvoegen tot één string

Een vraag formuleren op basis van een lijst

Data frames samenvoegen

Glue en Collapse, wat is het verschil?

Reguliere expressies samenvoegen

Bouw "of-patronen" met glue

Het "of-patroon" gebruiken met een grotere dataset

Maak geavanceerde patronen beter leesbaar

Tekenreeksen maken met data

Een taak waarin reguliere expressies echt uitblinken, is betekenis halen uit een lap tekst. In dit hoofdstuk leer je informatie te extraheren uit rommelige data die niet netjes in tabellen staat, maar als platte tekst voorkomt.

Capturing groups

Match alle capture-groepen

Zoeken en vervangen

Kun je capturing groups nesten?

tidyr's extract

Een regex maken die past bij jouw behoeften

Waarom gaat dit mis?

Een geavanceerde reguliere expressie extraheren

Matches en omgeving uit een tekst halen

Namen met context extraheren

Zó veel speciale tekens

Gestructureerde data uit tekst halen

In het laatste hoofdstuk schakelen we over van reguliere expressies naar het begrijpen van tekenreeksafstanden. Door de verschillen tussen meerdere tekenreeksen te berekenen, kunnen we degene koppelen die op elkaar lijken. Zo vinden we duplicaten, zelfs als ze kleine fouten zoals typefouten bevatten. Dit is een belangrijk onderdeel van record linkage, waarbij we gegevenssets uit meerdere bronnen combineren.

Stringafstanden begrijpen

Een stringafstand berekenen

Een typefout in een zoekopdracht matchen

Methoden voor stringafstanden

Methoden

Bewerkingsafstanden

Q-grammethoden

Bewerkingsafstanden vs. q-grammethoden

Verschillende methoden uitproberen

Is de ene afstand beter dan de andere?

Fuzzy joins

Een join op basis van tekenafstand uitvoeren

Stringafstanden van korte strings

Aangepaste fuzzy matching

Overeenkomsten vinden op basis van twee voorwaarden

Waarom op meerdere kolommen joinen?

Gefeliciteerd

Overeenkomsten tussen tekenreeksen

Gegevens analyseren die in tabellen staan is leuk. Maar wat als de dingen die we het interessantst vinden niet beschikbaar zijn als een netjes georganiseerde gegevensset, maar als platte tekst? Geen paniek: in deze cursus leer je alles wat je moet weten om krachtige reguliere expressies te maken waarmee je alle informatie kunt vinden die je nodig hebt voor je analyses, gewoon uit een lap tekst. En dat is niet alles. Met het concept van tekenreeksafstanden leer je ook werken met tekst die typefouten of scanfouten bevat, omdat je die kunt koppelen aan de juiste tegenhangers uit andere databronnen (record linkage). Als oefenmateriaal analyseren we echte documenten over box office-cijfers in Zwitserse bioscopen.

Introduction to the Tidyverse

String Manipulation with stringr in R

Leer tekstgegevens manipuleren, fouten vinden en meer met krachtige reguliere expressies en stringafstanden in R.

Gevorderde reguliere expressies in R

Speel met tekstgegevens, analyseer ze en doe nog veel meer door regelmatige uitdrukkingen en stringafstanden in R onder de knie te krijgen.

Waarom op meerdere kolommen joinen?

Gevorderde reguliere expressies in R

Interactieve oefening met praktijkervaring