如何用R检测字符串中的任意Unicode字符并替换为同义非Unicode字符

一、通用检测任意Unicode字符 #

要检测字符串中是否存在非ASCII的Unicode字符（ASCII字符范围为0-127，超出该范围的均为Unicode扩展字符），无需针对单个字符逐一检测，可通过正则表达式配合stringr包的str_detect()函数实现：

library(stringr)

# 示例字符串
inclusion <- "Include patients ≥ 18 years of age, with BMI ≤ 30 & no diabetes ≠ type 2"

# 检测是否存在Unicode字符
has_unicode <- str_detect(inclusion, "[^\\x00-\\x7F]")
# 输出 TRUE
print(has_unicode)

正则表达式[^\\x00-\\x7F]用于匹配所有不在ASCII范围内的字符，即任意Unicode扩展字符。

二、批量替换Unicode字符为同义非Unicode字符 #

实现通用替换的核心是建立Unicode字符与非Unicode同义字符的映射表，再通过str_replace_all()完成批量替换：

# 定义常用Unicode符号的替换映射
unicode_map <- c(
  "\U2265" = ">=",  # 大于等于
  "\U2264" = "<=",  # 小于等于
  "\U2260" = "!=",  # 不等于
  "\U2192" = "->",  # 向右箭头
  "\U221E" = "inf", # 无穷大
  "\U00E9" = "e"    # 带重音的e（示例）
)

# 批量替换所有匹配的Unicode字符
clean_inclusion <- str_replace_all(inclusion, unicode_map)

# 输出结果："Include patients >= 18 years of age, with BMI <= 30 & no diabetes != type 2"
print(clean_inclusion)

扩展说明 #

• 若需覆盖更多Unicode字符，只需在unicode_map中添加对应的键值对即可。
• 若不确定某个Unicode字符的转义码，可通过charToRaw()查看：

  charToRaw("≥")
  # 输出 0xe2 0x89 0xa5，对应的转义码为"\U2265"
  

内容的提问来源于stack exchange，提问作者Judy