Regex - Como extrair sentenças usando condições (maiúscula e minúsculas)

dúvidas atenção curso-r
1

Prezadxs, olá!

Estou com um problema na extração de sentenças de uma coluna. Basicamente é uma extração de tabela em formato de texto, ai as colunas vêm todas bagunçadas e não estou conseguindo resolver o problema para duas delas: região e município.

Essas duas colunas ficaram unidas em apenas uma, da seguinte forma: Região MUNICÍPIO. Com o nome da região contendo a primeira letra maiúscula e o restante minúsculo, o município em caixa alta.

Tentei algumas coisas com regex, trabalhando com "[a-z]" e "[A-Z]" porém não consegui capturar muito bem, sempre faltava algo. O que fiz pra resolver foi usar a função stringr::word para extrair as sentenças de acordo com a ordem delas.

Contudo, essa resolução não se mostrou factível para ser usada na coluna da tabela, pois tenho situações onde a primeira palavra por exemplo já é o MUNICÍPIO, por não ter região, e outras onde a ordem muda ou tem apenas a região. Acredito que a melhor forma seja alguma coisa com regex.

Dúvida: alguém poderia auxiliar na construção dessa regex para separar essas informações de região e município, por gentileza?

Deixo em seguida um exemplo de uma situação da tabela (que funciona, porém não é reproduzível para a coluna inteira, pois gera muitos erros).

# instalar e carregar pacote
# install.packages("stringr")
# library(stringr)

# string de exemplo
str_texto <- "Médio-Norte SÃO JOSÉ DO RIO CLARO"

# extrair a primeira palavra (primeira letra maiúscula e restante minúsculo)
regiao <- stringr::word(str_texto)
regiao
#> [1] "Médio-Norte"

# extrair o município (em caixa alta)
municipio <- stringr::word(str_texto, start = 2, end =6)
municipio
#> [1] "SÃO JOSÉ DO RIO CLARO"

Created on 2021-07-18 by the reprex package (v2.0.0)

Agradeço qualquer ajuda!

Abraços.

2

Olá!

Obrigado pelo exemplo reprodutível. Minha solução usa duas ranges de regex: as letras maiúsculas normais e as letras maiúsculas com acentos. Para fazer ranges personalizadas eu uso o graphemica.com.

library(magrittr)

# Exemplo
str_texto <- "Médio-Norte SÃO JOSÉ DO RIO CLARO"

# Municipio
municipio <- str_texto %>% 
  stringr::str_extract("[A-Z\u00C0-\u00DD ]+$") %>% 
  stringr::str_squish()

# Região
regiao <- str_texto %>% 
  stringr::str_remove(municipio) %>% 
  stringr::str_squish()

# Parece funcionar
municipio
#> [1] "SÃO JOSÉ DO RIO CLARO"
regiao
#> [1] "Médio-Norte"

Created on 2021-07-19 by the reprex package (v2.0.0)

1 curtida
3

Caio, muito obrigado pela resolução!
Sua ajuda é sempre certeira, ainda mais se tratando de regex.
A solução serviu perfeitamente para meu problema. Só fiquei com algumas dúvidas em relação ao código, dúvidas de aluno mesmo:

  1. O uso do range personalizado, se fez necessário por conta das letras maiúsculas com acento? Ou existiria outra forma de realizar isso?
  2. Quando sei que é necessário o uso desses ranges personalizados?
  3. Estou sofrendo ainda com regex, tem alguma recomendação de leitura que ajude nesse processo de aprendizado? Tenho por mania consultar o material do curso R para Ciência de Dados 2, só que as situações na prática são sempre mais complexas haha.

Muitíssimo obrigado pela ajuda!

Abraços.

4
  1. Isso mesmo. Existem alguns ranges que ensinamos nos cursos (A-Z, a-z e 0-9), mas na verdade podemos fazer qualquer range utilizando os código Unicode dos caracteres.
  2. O range personalizado só é necessário quando você precisar pegar caracteres que não estão incluídos nos ranges “padrões” que listei acima.
  3. Eu costumo explorar o regex101.com, com a ressalva de que nele não é necessário usar barras duplas (\\) que costumamos usar no R.
1 curtida
5

Obrigado pelos esclarecimentos, Caio!

1 curtida