Analyser des données demande de savoir manipuler aussi du texte. Ce que nous appelons texte en tant qu’humain est interprété par R comme une chaîne de caractères.

Le type de donnée correspondant dans R est appelé: character.

class("abcdR")
## [1] "character"

Il est parfois nécessaire d’extraire des motifs particuliers de chaînes de caractères. Pour ce faire on peut utiliser des expressions régulières ou regex en anglais.

Pour cela nous allons utiliser {stringr}, un package du tidyverse.

library(stringr)

Considérons un vecteur de noms de fichiers csv.

noms_fichiers <- c("pop_FRA_2019.csv", "pop_ITA_2020.csv", "pop_ESP_2019.csv")

Comment extraire le code iso3 (FRA, ITA…) ?

str_extract(string = noms_fichiers, pattern = "[A-Z]{3}")
## [1] "FRA" "ITA" "ESP"

Ici le motif (pattern) à extraire correspond à une lettre majuscule [A-Z] répétée exactement {3} fois. Facile !

Mais malheureusement la vie n’est jamais aussi simple…

noms_fichiers <- c("pop_fra_2019.csv", "pop_ita_2020.csv", "pop_esp_2019.csv")

Dans ce cas précis notre exemple précédent ne fonctionne plus car tout est en minuscule. Nous devrions utiliser la version minuscule du pattern: "[a-z]{3}", une lettre minuscule [a-z] répétée exactement {3} fois. Mais cela ne correspond plus à un motif unique.

str_extract(noms_fichiers, "[a-z]{3}")
## [1] "pop" "pop" "pop"

Il est alors nécessaire de sortir l’artillerie lourde…

str_extract(noms_fichiers, "(?<=pop_)[a-z]{3}(?=_\\d{4})")
## [1] "fra" "ita" "esp"

Ce motif, "(?<=pop_)[a-z]{3}(?=_\\d{4})" se lit,

  • (?<=pop_), ce qui est précédé (?<=) par pop_.
  • "[a-z]{3}", une lettre minuscule [A-Z] répétée exactement {3}.
  • (?=_\\d{4}), ce qui est suivi (?=) par un chiffre \\d répété exactement {4} fois.

Pour être totalement rigoureux, on peut rajouter:

str_extract(noms_fichiers, "(?<=^pop_)[a-z]{3}(?=_\\d{4}\\.csv$)")
## [1] "fra" "ita" "esp"
  • ^ commence par pop_.
  • \\.csv se termine $ par l’extension “point” \\., csv.

Il est parfois complexe d’utiliser ce genre de symboles appelés lookarounds, (?=) et (?<=). Une alternative plus simple est de tirer profit de la notion de groupe.

En regex on définit un groupe en utilisant des parenthèses.

str_replace(
  string = noms_fichiers, 
  pattern = "^pop_([a-z]{3})_\\d{4}\\.csv$",
  replacement = "\\1"
)
## [1] "fra" "ita" "esp"

Ici on définit le motif complet en rajoutant des parenthèses autour du motif à extraire: ([a-z]{3}). On demande à str_replace() de remplacer la chaîne complète par le premier groupe définit (le seul et l’unique) avec \\1.

Et voilà, les regex sont une technique difficile à appréhender pour les débutants mais ô combien utile à celles ou ceux qui la maîtrisent.

Pour en savoir plus: