基本

R は一対の二重引用符(" ")または一重引用符（' '）で括られたテキストを「文字列」と認識します。次の2つのコマンドを実行して比較してください。

> 3 + 4
> "3 + 4"

3 + 4

## [1] 7

"3 + 4"

## [1] "3 + 4"

さて，次のコマンドには問題があります。それは何でしょうか？

> ""Good morning", he said."

Error: unexpected symbol in """Good"

上の問題を回避するには，一重引用符を使って次のように書きます。

> '"Good morning", he said.'

## [1] "\"Good morning\", he said."

出力をよく見てください。内側の二重引用符が \" と表記されています。バックスラッシュから始まるこのようなコードを「エスケープシーケンス」と呼び，特殊文字を表すために使います。二重引用符の中に二重引用符を入れたい場合は，外側を一重引用符にする代わりに，「エスケープシーケンス \"」 を使うこともできます。

コンソールへの出力にエスケープシーケンスを表示したくない場合は writeLines() あるいは cat() という関数を使います。

"That's a strange thing," remarked my companion[.]

text <- "\"That's a strange thing,\" remarked my companion[.]"
writeLines(text)

## "That's a strange thing," remarked my companion[.]

エスケープシーケンス

> writeLines('"And who was the first?" I asked.\n"A fellow who is working at the chemical laboratory up at the hospital."')

## "And who was the first?" I asked.
## "A fellow who is working at the chemical laboratory up at the hospital."

text <- c('"And who was the first?" I asked.',
          '"A fellow who is working at the chemical laboratory up at the hospital."')
writeLines(text)

## "And who was the first?" I asked.
## "A fellow who is working at the chemical laboratory up at the hospital."

writeLines("Apple\t100\nOrange\t50")

バックスラッシュ \\

バックスラッシュがエスケープシーケンスの始まりとして使われているので，バックスラッシュ自身を入力するためにもエスケープシーケンスを使う必要があります。それは \\ です。

このことは正規表現を使うときに重要になります。

ユニコード \u

顔文字などの特殊文字を使うためにエスケープシーケンス (\U, \u) を使うことができます。例えば，

writeLines("A \U27FA B")

## A ⟺ B

writeLines("\U1F600")

## 😀

writeLines("\U1F640")

## 🙀

\U の後に続くコードが4桁であれば，\u を使うことができます。 ユニコードの一覧は次のサイトをご覧ください。

http://www.unicode.org/charts/

単語の出現頻度

少し，実践的なテキスト処理をしてみましょう。

まず，グーテンベルクプロジェクトから A Study in Scarlet をダウンロードします。 gutenbergr をインストールして， gutenbergr::gutenberg_donwload() を使います。

# install.packages("gutenbergr")
study_in_scarlet <- gutenbergr::gutenberg_download(244) 

## Determining mirror for Project Gutenberg from http://www.gutenberg.org/robot/harvest

## Using mirror http://aleph.gutenberg.org

text <- 
  study_in_scarlet %>% 
  filter(row_number() > 32) %>% 
  pull(text)

単語の出現頻度を調べてみましょう。 base::table() を使うと便利です。これは次のように使います。

(x <- sample(c("a", "b", "A"), size = 10, replace = TRUE))

##  [1] "a" "b" "a" "b" "b" "a" "b" "A" "b" "A"

table(x)

## x
## a A b 
## 3 2 5

大文字・小文字を区別せずに頻度を抽出するには str_to_lower() を使えばよさそうですね。 テキストの1行に1つ要素が対応するベクトルでは table() が使えないので，str_flatten でベクトルを1つの文字列に変えてしまいます。（もっといい方法があると思いますが，これが一番単純な方法です）

最後に1単語1成分になるようなベクトルを作ります。これは str_split を使います。boundary("word") というのは，英語の単語境界（改行やスペースなど）を境目として分解するときに使います。

words <- 
  text %>% 
  str_to_lower() %>% 
  str_flatten(collapse = "\n") %>% 
  str_split(boundary("word"))

これに table を適用します。最後に tibble() に変形して，整列しておきます。

freq <- words %>%
  table() %>% 
  tibble(word = names(.), n = .) %>%      ## . は左辺のデータ
  mutate(n = as.integer(n)) %>% 
  arrange(desc(n))

freq %>% 
  filter(rank(desc(n)) <= 50) %>% 
  ggplot() + 
  geom_col(aes(x = reorder(word, n), y = n)) + 
  coord_flip()

次回

• Lesson 5-2: 正規表現

文字列操作のための強力なツールである正規表現についてサワリの部分を紹介します。