Regular expressions can be pretty intimidating at first as they contain vast amounts of special characters. In this chapter, you'll learn to decipher these and write your own patterns to find exactly what you're looking for.

Welcome

Starts with, ends with

If you don't know what you're looking for

Character classes and repetitions

Digits, words and spaces

Match repetitions

Which special character did what again?

The pipe and the question mark

This or that

The question mark and its two meanings

You can now read this!

Regular Expressions: Writing Custom Patterns

In this chapter, we will slightly move away from regular expressions and focus on string manipulation by creating strings from other data structures like vectors or lists.

Getting to know glue

Stop pasting, start gluing

Gluing data frames

How many arguments can glue take?

Collapsing multiple elements into a string

Formulating a question from a list

Collapsing data frames

Glue and Collapse, what's the difference?

Gluing regular expressions

Construct "or patterns" with glue

Using the "or pattern" with a larger dataset

Make advanced patterns more readable

Creating Strings with Data

One task where regular expressions really shine is making sense from a blob of text. In this chapter, you'll learn to extract the information from messy data that doesn't come in neatly arranged tables but in plain text.

Yakalama grupları

Tüm yakalama gruplarını eşleştir

Ara ve değiştir

Yakalama gruplarını iç içe kullanabilir misin?

tidyr'ın extract işlevi

İhtiyacına uygun bir regex oluşturma

Bu neden başarısız oluyor?

Gelişmiş bir düzenli ifade çıkarmak

Bir metinden eşleşmeleri ve çevresini çıkarmak

Bağlamla birlikte adları çıkar

Seçenekler

Özel desen

Tekrarlamalar

Ne kadar çok özel karakter var

Extracting Structured Data From Text

In the last chapter, we will shift gears away from regular expressions to understanding string distances. By calculating the differences of multiple strings, we can match those that are similar. This will help us to find duplicates even when they contain small errors like typos. This is an important part to record linkage where we combine datasets from multiple sources.

Understanding string distances

Calculating a string distance

Finding a match to a search typo

Methods of string distances

Edit distances vs. q-gram methods

Trying out different methods

Is one distance better than the other?

Fuzzy joins

Performing a string distance join

String distances of short strings

Custom Fuzzy Matching

Finding matches based on two conditions

Why join on multiple columns?

Congratulations

Similarities Between Strings

Tablolar halinde gelen verileri analiz etmek eğlenceli. Peki ya en ilginç bulduklarımız düzenli bir veri kümesi olarak değil de düz metin halinde geliyorsa? Üzülme: Bu derste, yalnızca bir metin yığınının içinden analizlerin için gereken tüm bilgileri bulmana yardımcı olacak güçlü düzenli ifadeleri yazmak için bilmen gereken her şeyi öğreneceksin. Üstelik bu kadarla da kalmıyor. Dize uzaklıkları kavramını kullanarak, yazım hataları veya tarama hataları içeren metinlerle de çalışmayı öğreneceksin; çünkü bunları diğer veri kaynaklarındaki doğru karşılıklarıyla eşleştirebileceksin (kayıt bağlantısı). Öğrenme materyali olarak İsviçre sinemalarındaki gişe rakamlarına dair gerçek belgeleri analiz edeceğiz.

Introduction to the Tidyverse

String Manipulation with stringr in R

R'de güçlü düzenli ifadeler ve string mesafeleri oluşturarak metin verilerini analiz etmeyi öğrenin.

R ile Orta Düzey Düzenli İfadeler

R'de düzenli ifadeleri ve dize mesafelerini öğrenerek metin verilerini işleyin, analiz edin ve daha fazlasını yapın.

Ne kadar çok özel karakter var

R ile Orta Düzey Düzenli İfadeler

Uygulamalı interaktif egzersiz