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.

Capturing groups

Match all capturing groups

Search and replace

Can you nest capturing groups?

tidyr's extract

Creating a regex that matches your needs

Why does this fail?

Extracting an advanced regular expression

Extracting matches and surroundings from a text

Extract names with context

So many special characters

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.

Dize uzaklıklarını anlamak

Bir dize uzaklığı hesaplama

Arama yazım hatasına uygun eşleşme bulma

Dizge uzaklığı yöntemleri

Yöntemler

Düzenleme uzaklıkları

Q-gram yöntemleri

Düzenleme uzaklıkları vs. q-gram yöntemleri

Farklı yöntemleri denemek

Bir uzaklık diğerinden daha mı iyi?

Bulanık birleştirmeler

Metin uzaklığı birleştirmesi yapmak

Kısa dizelerin dize uzaklıkları

Özel Bulanık Eşleştirme

İki koşula göre eşleşme bulma

Neden birden fazla sütuna göre join yapmalıyız?

Tebrikler

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.

Neden birden fazla sütuna göre join yapmalıyız?

R ile Orta Düzey Düzenli İfadeler

Uygulamalı interaktif egzersiz