找出R中字符串中的字符答案

【问题标题】：Figure out what character is in a string in R找出R中字符串中的字符
【发布时间】：2018-06-08 17:30:50
【问题描述】：

我正在尝试找出导致我出现问题的字符串向量中的特殊字符。

一个特殊的例子是一个字符串，它看起来像是“-coliform”，这是我向量中的第一个条目。

但这不是它实际所说的，因为我得到以下信息：

>"-coliform" == vect[1]
[1] FALSE

显然“-”实际上不是正确的符号。这会导致问题，因为我需要从字符串中删除所有标点符号，但某些标点符号字符未被识别为标点符号。

如何确定我实际显示的是什么角色，以便我可以删除它？

我不确定这是否是编码问题。似乎该字符采用 UTF-8 格式，我通过以下操作找到了该字符：

>weird_char <- substr(vect[1], 1, 1)
>encoding(weird_char)
[1] "UTF-8"

编辑：根据其他用户的请求添加某事物给出的输出。

>dput(vect[1])
"–coliform"

为了澄清，还有其他特殊字符也未被识别为标点符号（尽管它们似乎是）。因此，更换破折号的所有实例不会解决问题。

【问题讨论】：

你能显示dput(vect[1])的输出吗？
如果你只想保留字母数字字符，你可以试试x <- gsub("[^[:alnum:] ]", "", x)
@CPak 添加了该输出。问题是，即使我能弄清楚那个字符是什么，向量中也有几千个条目，其中许多包含不寻常的字符。比如我也刚找到几个包含“‘’”的。
@ZmnakoAwrahman 它没有解决我的问题。如果您阅读了我的问题的主要部分，它会说“还有其他特殊字符也未被识别为标点符号（尽管它们似乎是）。所以替换破折号的所有实例不会解决问题。
@ZmnakoAwrahman 问题正文中已经有一个示例。

【解决方案1】：

如果你想尝试找出字符是什么，你可以使用 unicode 包

library(unicode)
as.u_char_seq("–coliform", "")
[1] <U+0096,U+0063,U+006F,U+006C,U+0069,U+0066,U+006F,U+0072,U+006D>

<U+0096> 看起来像是转换为“保护区开始”的控制代码

如果您有很多未知字符，并且只想保留字母数字字符，则可以使用

gsub("[^[:alnum:] ]", "", "–coliform")
[1] "coliform"

或者如果您确实想保留某个标点符号或其他字符，您可以使用管道将其添加到 gsub 语句中 |

gsub("[^[:alnum:]|? ]", "", "–coliform?") #keep question mark
[1] "coliform?"

【讨论】：

【解决方案2】：

你可以试试gsub

gsub('-', '', '-coliform')

即使你有不止一个

gsub('-|\\^|\\%', '', '-co%li^form')

如果你有一个colmun

x = c('-co%li^form', '-total_coliform')
gsub('-|\\^|\\%|\\_', '', x)

列出string 中的字符并用|\\ 分隔

【讨论】：

这并没有通过规避问题来解决问题，也没有回答我提出的问题。根据我的问题的主体，“还有其他特殊字符也未被识别为标点符号（尽管它们似乎是）。所以替换破折号的所有实例不会解决问题。”