从R中的字符串中删除表情符号

我有一个tweet列表，其中许多包含需要删除的表情符号。在R中，最有效的方法是什么

我尝试了下面的方法，该方法应该用空格替换所有以“\”开头的单词，但我收到了这个错误

some_tweets <- gsub("\\\w+ *", "", some_tweets)
Error: '\w' is an unrecognized escape in character string starting ""\\\w"

查看，它对正则表达式中的Unicode进行了全面的解释。这里重要的一点是，您可以将Unicode字符与

\p{xx}

匹配，其中

xx

是它们所在的任何类别的名称（例如，字母为

L

，标记为

M

）。在这里，您的表情符号似乎位于

So

（缩写为

Other_Symbol

）和

Cn

（缩写为

Unassigned

）类中，因此我们可以将它们细分为：

gsub('\\p{So}|\\p{Cn}', '', some_tweets, perl = TRUE)
## [1] "ஆமா நான் பாக்கவே இல்லை "                                       
## [2] "எனக்கு அனுப்பலாமே "                                           
## [3] "அவர் ஏன்டா ப்ளாக் பண்ணார் "                                       
## [4] "ஆமா"                                                        
## [5] "RT : சும்மார்றா சுன்னி.. ~ ஆதவன்"                               
## [6] "கைலியை எல்லாம் லூஸ் பண்ணிகிட்டு உக்காந்து இருக்கேன் அடுத்து போடுங்கயா "

---

注意，您需要设置

perl=TRUE

set，因为在R的默认POSIX 1003.2正则表达式中没有启用此符号；请参见

？base:：regex

和

？grep

您只是在使用

gsub

，而没有使用regex。您需要使用正则表达式。

\\\\w+*

有效吗？我尝试了

\\\\w+*

，但无效。输出应该是什么样子？它应该保留所有泰米尔字符，而所有表情符号（以“\U”开头）都应该删除。谢谢alistaire——我也遇到了同样的问题，您的解决方案工作正常。

gsub('\\p{So}|\\p{Cn}', '', some_tweets, perl = TRUE)
## [1] "ஆமா நான் பாக்கவே இல்லை "                                       
## [2] "எனக்கு அனுப்பலாமே "                                           
## [3] "அவர் ஏன்டா ப்ளாக் பண்ணார் "                                       
## [4] "ஆமா"                                                        
## [5] "RT : சும்மார்றா சுன்னி.. ~ ஆதவன்"                               
## [6] "கைலியை எல்லாம் லூஸ் பண்ணிகிட்டு உக்காந்து இருக்கேன் அடுத்து போடுங்கயா "