4

Digamos que eu tenha o seguinte vetor de textos (character):

d <- data.frame(id=1:3, 
                txt=c('Um gato e um cachorro', 
                      'Cachorros jogam bola usando alpargatas', 
                      'gatinhos cospem bolas de pêlos'), stringsAsFactors=F)

Eu gostaria de adicionar uma coluna booleana em d que fosse TRUE se o texto contêm (gato ou cachorro) e bola.

Uma alternativa que eu teria seria criar uma coluna para cada uma dessas expressões, e depois fazer uma operação lógica. Usando os pacotes dplyr e stringr (observe que eu não sei muito de regex e portanto elas ficaram grandes, feias e ineficientes, mas isso não é importante):

library(dplyr)
library(stringr)    
d %>%
  mutate(gato=str_detect(txt, ignore.case('^gat[aio]| gat[aio]')),
         cachorro=str_detect(txt, ignore.case('cachor')),
         bola=str_detect(txt, ignore.case('bola')),
         result=(gato | cachorro) & bola)

Resultado:

  id                                    txt  gato cachorro  bola result
1  1                  Um gato e um cachorro  TRUE     TRUE FALSE  FALSE
2  2 Cachorros jogam bola usando alpargatas FALSE     TRUE  TRUE   TRUE
3  3         gatinhos cospem bolas de pêlos  TRUE    FALSE  TRUE   TRUE

Agora, generalizando a pergunta: digamos que eu tenha um conjunto de p expressões regulares a ser aplicado no vetor de texto de tamanho n, e quero criar uma coluna booleana que seja o resultado de uma operação lógica a partir da detecção dessas expressões nos textos.

Pergunto: existe uma maneira de resolver isso sem precisar avaliar o texto p vezes? Isto é, será que dá para diminuir o número de vezes que eu aplico str_detect no meu texto?

O motivo da pergunta é porque i) tanto meu n quanto meu p são muito grandes e ii) não queria escrever explicitamente um monte de variáveis booleanas.

Uma resposta compatível com a utilização do dplyr seria ótima, mas não é necessária. Agradeceria por qualquer contribuição!

1 Resposta 1

4

@JulioTrecenti, existe uma maneira sim: incluir os testes lógicos na Regex. Veja que o pipe (|) é o equivalente a uma operação OR, mas para implementar a operação AND vamos precisar do lookahead. Outro ponto é que eu vou utilizar o grepl() ao invés do str_detect(), pois nesse caso eu simplesmente quero avaliar uma expressão regular com resposta binária, e portanto o grepl() já dá conta do recado. Suponto que o data.frame foi criado como você citou o seguinte código resolve o problema em uma linha:

d %>% 
  mutate(result = grepl(d$txt, pattern = '(?=.*gat[aio]|[cC]achor)(?=.*bola)', perl = T))

  id                                    txt result
1  1                  Um gato e um cachorro  FALSE
2  2 Cachorros jogam bola usando alpargatas   TRUE
3  3         gatinhos cospem bolas de pêlos   TRUE

Veja que o (?=alguma coisa)(?=outra coisa) diz para achar "alguma coisa" E voltar atrás achando "outra coisa". Esse alguma coisa é: alguma coisa = gato OU cachrro, sendo que o OU é representado pelo pipe. Note também a opção "perl = T" no grepl() que diz ao R para usar a regex de acordo com o perl. Sem esse recurso o lookahead não funciona.

5
  • Obrigado, @FlavioBarros! Uma coisa que eu não entendi: por quê é necessário utilizar o primeiro ?= em (?=alguma coisa), se ele vai olhar para trás e não ver nada? Commented 3/10/2014 às 20:52
  • É que o AND assim está improvisado. No caso estamos dizendo para o regex verificar o texto duas vezes em busca do padrão. Commented 3/10/2014 às 21:00
  • Maravilha. Obrigado. Commented 3/10/2014 às 21:03
  • Outra coisa, grepl('.*gat[aio]', 'Cachorros jogam bola usando alpargatas') retorna TRUE (não quero). Por isso que eu usei o ^gat[aio] ou ` gat[aio]`. Tem solução melhor? Commented 3/10/2014 às 21:13
  • @JulioTrecenti você poderia usar o \s para representar um espaço em branco antes da palavra. No R tem que colocar uma barra a mais (\\s), logo ficaria assim: grepl('.*\\sgat[aio]', 'Cachorros jogam bola usando alpargatas') Commented 3/10/2014 às 21:25

Você deve fazer log-in para responder a esta pergunta.

Esta não é a resposta que você está procurando? Pesquise outras perguntas com a tag .