R语言stringr包str_subset提取含颜色句子异常问题求助

你遇到的问题其实很常见——stringr的正则匹配默认是区分大小写的！你定义的colour_match是小写的颜色词，但sentences里很多包含颜色的句子，颜色词是首字母大写的（比如句子开头的Red、Blue），或者有其他大小写形式，这些都没被你的默认匹配规则捕捉到，所以只拿到了57条全小写颜色的句子。

有两种简单的方式解决这个问题：

方式1：直接给str_subset添加ignore_case参数 #

str_subset本身支持ignore_case参数，设置为TRUE就能忽略大小写匹配：

library(tidyverse)
library(stringr)

colours <- c("red", "orange", "yellow", "green", "blue", "purple")
colour_match <- str_c(colours, collapse = "|")
# 添加ignore_case=TRUE忽略大小写
has_colour <- str_subset(sentences, colour_match, ignore_case = TRUE)

方式2：用regex()创建忽略大小写的匹配模式 #

你也可以把匹配模式包装成一个忽略大小写的正则对象，再传入str_subset：

colour_match_regex <- regex(str_c(colours, collapse = "|"), ignore_case = TRUE)
has_colour <- str_subset(sentences, colour_match_regex)

修改后再查看length(has_colour)，就能得到所有包含颜色词的句子了——比如原来被漏掉的"Red sky at night is a sailor's delight."这类句子现在都会被正确提取出来。

内容的提问来源于stack exchange，提问作者stackinator