Capítulo22 Cadena de Caracteres = STRINGS
## [1] "2026-09-09"El tema proviene de los siguientes sitios.
English: https://r4ds.had.co.nz/strings.html
Español: https://es.r4ds.hadley.nz/14-strings.html
string1 <- "El Pequeño Principe; Saint Exupery"
string2 <- "El segundo sexo: Simone de Beauvoir"
string3 <- "El segundo sexo \\ Simone de Beauvoir"
string1## [1] "El Pequeño Principe; Saint Exupery"## [1] "El segundo sexo: Simone de Beauvoir"## [1] "El segundo sexo \\ Simone de Beauvoir"Caracteres especiales en cadenas de caracteres
## [1] "\""## [1] "'"## [1] "&"&
Backslash
## [1] "\"" "\\"## "
## \22.2 Para ver las opciones de caracteres y como trabajar cadenas de caracteres use ?“’” para ver
‘\n’ newline (aka ‘line feed’)
‘\r’ carriage return
‘\t’ tab
‘\b’ backspace
‘\a’ alert (bell)
‘\f’ form feed
‘\v’ vertical tab
‘\\’ backslash ‘\’
‘\'’ ASCII apostrophe ‘'’
‘\"’ ASCII quotation mark ‘"’
‘\`’ ASCII grave accent (backtick) ‘`’
22.3 Lista de caracteres especiales (unicodes)
Vea el siguiente enlace para los unicodes
https://en.wikipedia.org/wiki/List_of_Unicode_characters
## [1] "µ"## [1] "¶"## [1] "¡"## [1] "Ǽ¶"Escribir su nombre en el alfabeto cirílico
- Vea este enlace para conocer el alfabeto cirílico
РЕЙМОНД
## [1] "ҎЀЫмонд, Asi se escribe mi nombre en ruso"necesito poner una letra extraña en mi frase, "\u048E".
22.4 Temas: Cadenas de Caracteres
Lo básico: largo, unir, cortar, mayúsculas y minúsculas
Qué es una expresión regular y por qué vale la pena aprenderla
Anclas:
^y$Clases de caracteres y alternativas
Repetición:
?,+,*,{n,m}Agrupamiento y referencias previas
Las cinco herramientas: detectar, extraer, agrupar, reemplazar y dividir
library(stringr)
Solamente trabajaremos con el paquete stringr, donde las funciones escritas de forma que sean más intuitivas para recordar. Todas las funciones comienzan con str_
Las funciones str_* (stringr): trabajar con texto.
str_length(x): número de caracteres.str_c(...): une cadenas (concatena).str_sub(x, a, b): extrae o reemplaza una porción por posición.str_to_lower()/str_to_upper(): cambian mayúsculas/minúsculas.str_detect(),str_replace(),str_view(): buscan y reemplazan patrones (regex).
22.4.2 Combinar cadenas con str_c
Nota aquí que une la primera oración con la segunda oración
## [1] "Es una oración con muchas letras y palabrasMi pelicula favorita es Cinema Paraiso"Usa el argumento sep = “xxx” para controlar cómo separar las oraciones
str_c("Es una oración con muchas letras y palabras",
"Mi pelicula favorita es Cinema Paraiso", sep = ", ")## [1] "Es una oración con muchas letras y palabras, Mi pelicula favorita es Cinema Paraiso"- str_replace_na()
## [1] "Mi pelicula favorita es Cinema Paraiso"
## [2] NA## [1] "|-Mi pelicula favorita es Cinema Paraiso-|"
## [2] NA22.5 Dividir cadenas basado en la posición de los caracteres en la cadena
- str_sub()
## [1] "P" "M" "T"22.6 También se puede usar str_sub() para modificar una cadena
## [1] "ABCDEF"## [1] "BBCDEK"## [1] "BBCDGHIJF"## [1] "BBCBCEF"## [1] "BF"22.7 Locales
- ¿Qué es un locale?
- str_to_lower()
- str_to_upper()
- str_order() # que hace esta función?
- str_sort() # que hace esta función?
## [1] "Piña" "Manzana" "Toronja"## [1] 2 1 3## [1] "Manzana" "Piña" "Toronja"Ejercicios del libro R4DS.
Hacer los ejercicios en la sección 14.2.5 del libro en español
22.8 Buscar patrones
Las expresiones regulares surgieron en los años 1950 del trabajo del matemático Stephen Kleene sobre lenguajes formales, y hoy son el estándar para describir patrones de texto en casi todos los lenguajes de programación.
22.9 Coincidencia básica
Para visualizar patrones de letras
- str_view()
- str_view( , .x.)
## [3] │ p<er>a
## [4] │ extra<er>Ejemplo de cómo uno puede utilizar esas funciones
str_detect()
x= c( "Piña", "Manzana", "Toronja", "Jugo", "Monique", "Raymond", "mami")
str_detect(x, "a") # detectar la a## [1] TRUE TRUE TRUE FALSE FALSE TRUE TRUE## [1] TRUE FALSE FALSE FALSE TRUE FALSE TRUE## [1] TRUE FALSE FALSE FALSE FALSE FALSE FALSE22.9.1 Detectar las palabras que comienzan con una letra específica con “^”. Nota el uso de mayúsculas y minúsculas y sumamos cuantas palabras cumplen con la condición.
## [1] "Piña" "Manzana" "Toronja" "Jugo" "Monique" "Raymond" "mami"## [1] 1## [1] 2## [1] 322.9.2 Detectar las palabras que terminan con una letra específica con “$”
# ¿Qué proporción de palabras comunes terminan con una vocal?
library(datos)
mean(str_detect(palabras, "[aáeéiíoóuú]$"))## [1] 0.561# ¿Qué proporción de palabras comunes terminan con una vocal especifica?
mean(str_detect(palabras, "[ao]$"))## [1] 0.428## [1] 0.1428571Dataset: palabras
Comienza para mirar el archivo palabras
Cuentas palabras tiene ese archivo?
## [1] "a" "abril" "acción" "acciones"
## [5] "acerca" "actitud" "actividad" "actividades"
## [9] "acto" "actual" "acuerdo" "adelante"
## [13] "además" "administración" "afirmó" "agua"
## [17] "ahí" "ahora" "aire" "al"
## [21] "algo" "alguien" "algún" "alguna"
## [25] "algunas" "algunos" "allá" "allí"
## [29] "alrededor" "alta" "alto" "ambiente"
## [33] "ambos" "américa" "amigo" "amigos"
## [37] "amor" "análisis" "animales" "ante"
## [41] "anterior" "antes" "antonio" "año"
## [45] "años" "aparece" "apenas" "apoyo"
## [49] "aquel" "aquella" "aquellas" "aquellos"
## [53] "aquí" "área" "argentina" "armas"
## [57] "arriba" "arte" "artículo" "así"
## [61] "asimismo" "asociación" "aspecto" "aspectos"
## [65] "asunto" "atención" "atrás" "aumento"
## [69] "aun" "aún" "aunque" "autor"
## [73] "autoridades" "ayer" "ayuda" "b"
## [77] "baja" "bajo" "banco" "barcelona"
## [81] "base" "bastante" "bien" "blanca"
## [85] "blanco" "boca" "buen" "buena"
## [89] "bueno" "buenos" "busca" "buscar"
## [93] "c" "cabeza" "cabo" "cada"
## [97] "calidad" "calle" "cama" "cámara"
## [101] "cambio" "cambios" "camino" "campaña"
## [105] "campo" "cantidad" "capacidad" "capaz"
## [109] "capital" "cara" "carácter" "características"
## [113] "cargo" "carlos" "carne" "carrera"
## [117] "carta" "casa" "casi" "caso"
## [121] "casos" "causa" "central" "centro"
## [125] "centros" "cerca" "chile" "ciencia"
## [129] "ciento" "cierta" "cierto" "cinco"
## [133] "cine" "ciudad" "civil" "claro"
## [137] "clase" "club" "color" "comenzó"
## [141] "comercio" "comisión" "como" "cómo"
## [145] "compañía" "común" "comunicación" "comunidad"
## [149] "con" "concepto" "conciencia" "condiciones"
## [153] "congreso" "conjunto" "conocer" "conocimiento"
## [157] "consecuencia" "conseguir" "consejo" "considera"
## [161] "constitución" "construcción" "consumo" "contenido"
## [165] "contra" "contrario" "control" "corazón"
## [169] "corte" "cosa" "cosas" "costa"
## [173] "creación" "crecimiento" "creo" "crisis"
## [177] "cuadro" "cual" "cuales" "cualquier"
## [181] "cuando" "cuanto" "cuarto" "cuatro"
## [185] "cuba" "cuenta" "cuerpo" "cuestión"
## [189] "cultura" "cultural" "curso" "cuya"
## [193] "cuyo" "d" "da" "dado"
## [197] "dan" "dar" "datos" "de"
## [201] "debe" "deben" "debía" "debido"
## [205] "decía" "decir" "decisión" "defensa"
## [209] "deja" "dejar" "dejó" "del"
## [213] "demás" "demasiado" "democracia" "dentro"
## [217] "derecha" "derecho" "derechos" "desarrollo"
## [221] "desde" "deseo" "después" "destino"
## [225] "día" "diario" "días" "dice"
## [229] "dicen" "dicho" "diciembre" "diez"
## [233] "diferencia" "diferentes" "difícil" "dijo"
## [237] "dinero" "dio" "dios" "dirección"
## [241] "director" "distintas" "distintos" "diversas"
## [245] "diversos" "doctor" "dólares" "dolor"
## [249] "domingo" "don" "donde" "dónde"
## [253] "dos" "duda" "durante" "e"
## [257] "economía" "económica" "económico" "edad"
## [261] "educación" "efecto" "efectos" "ejemplo"
## [265] "ejército" "el" "él" "elecciones"
## [269] "electoral" "elementos" "ella" "ellas"
## [273] "ello" "ellos" "embargo" "empresa"
## [277] "empresas" "en" "encima" "encontrar"
## [281] "encuentra" "encuentran" "encuentro" "energía"
## [285] "enero" "enfermedad" "entonces" "entrada"
## [289] "entrar" "entre" "época" "equipo"
## [293] "era" "eran" "es" "esa"
## [297] "esas" "escuela" "ese" "esfuerzo"
## [301] "eso" "esos" "espacio" "españa"
## [305] "español" "española" "españoles" "especial"
## [309] "especialmente" "especie" "espera" "esta"
## [313] "está" "ésta" "estaba" "estaban"
## [317] "estado" "estados" "estamos" "están"
## [321] "estar" "estas" "este" "éste"
## [325] "estilo" "esto" "estos" "estoy"
## [329] "estructura" "estudio" "estudios" "estuvo"
## [333] "etapa" "etc" "europa" "europea"
## [337] "evitar" "ex" "existe" "existen"
## [341] "existencia" "éxito" "experiencia" "explicó"
## [345] "expresión" "exterior" "fácil" "falta"
## [349] "familia" "favor" "fecha" "felipe"
## [353] "fernando" "figura" "fin" "final"
## [357] "finalmente" "fiscal" "flores" "fondo"
## [361] "forma" "formación" "formas" "francia"
## [365] "francisco" "frente" "fue" "fuego"
## [369] "fuentes" "fuera" "fueron" "fuerte"
## [373] "fuerza" "fuerzas" "función" "fútbol"
## [377] "futuro" "g" "garcía" "general"
## [381] "generales" "gente" "gobierno" "gonzález"
## [385] "gracias" "grado" "gran" "grande"
## [389] "grandes" "grupo" "grupos" "guerra"
## [393] "ha" "haber" "había" "habían"
## [397] "habla" "hablar" "habrá" "habría"
## [401] "hace" "hacen" "hacer" "hacerlo"
## [405] "hacia" "hacía" "haciendo" "han"
## [409] "has" "hasta" "hay" "haya"
## [413] "he" "hecho" "hechos" "hemos"
## [417] "hermano" "hicieron" "hija" "hijo"
## [421] "hijos" "historia" "hizo" "hombre"
## [425] "hombres" "hora" "horas" "hospital"
## [429] "hoy" "hubiera" "hubo" "humana"
## [433] "humano" "humanos" "i" "iba"
## [437] "idea" "ideas" "iglesia" "igual"
## [441] "ii" "imagen" "imágenes" "importancia"
## [445] "importante" "importantes" "imposible" "incluso"
## [449] "industria" "información" "informe" "instituciones"
## [453] "instituto" "interés" "intereses" "interior"
## [457] "internacional" "investigación" "ir" "izquierda"
## [461] "j" "jamás" "jefe" "jorge"
## [465] "josé" "joven" "jóvenes" "juan"
## [469] "juego" "juez" "juicio" "julio"
## [473] "junio" "junto" "justicia" "la"
## [477] "lado" "larga" "largo" "las"
## [481] "le" "lejos" "lenguaje" "les"
## [485] "ley" "libertad" "libre" "libro"
## [489] "libros" "líder" "línea" "llama"
## [493] "llamado" "llega" "llegado" "llegar"
## [497] "llegó" "lleva" "llevar" "lo"
## [501] "local" "lópez" "los" "lucha"
## [505] "luego" "lugar" "luis" "luz"
## [509] "m" "madre" "madrid" "mal"
## [513] "manera" "mano" "manos" "mantener"
## [517] "manuel" "mañana" "mar" "marcha"
## [521] "marco" "maría" "martín" "marzo"
## [525] "más" "materia" "material" "máximo"
## [529] "mayo" "mayor" "mayores" "mayoría"
## [533] "me" "media" "mediante" "médico"
## [537] "medida" "medidas" "medio" "medios"
## [541] "mejor" "mejores" "memoria" "menor"
## [545] "menos" "mercado" "mes" "mesa"
## [549] "meses" "metros" "méxico" "mi"
## [553] "mí" "miedo" "miembros" "mientras"
## [557] "miguel" "mil" "militar" "militares"
## [561] "millones" "ministerio" "ministro" "minutos"
## [565] "mira" "mirada" "mis" "misma"
## [569] "mismo" "mismos" "mitad" "modelo"
## [573] "modo" "momento" "momentos" "movimiento"
## [577] "mucha" "muchas" "mucho" "muchos"
## [581] "muerte" "muerto" "muestra" "mujer"
## [585] "mujeres" "mundial" "mundo" "música"
## [589] "muy" "n" "nacional" "nada"
## [593] "nadie" "natural" "naturaleza" "necesario"
## [597] "necesidad" "negro" "ni" "ningún"
## [601] "ninguna" "niño" "niños" "nivel"
## [605] "niveles" "no" "noche" "nombre"
## [609] "norte" "nos" "nosotros" "noviembre"
## [613] "nuestra" "nuestras" "nuestro" "nuestros"
## [617] "nueva" "nuevas" "nuevo" "nuevos"
## [621] "número" "nunca" "o" "objetivo"
## [625] "objeto" "obra" "obras" "obstante"
## [629] "ocasión" "ocasiones" "ocho" "octubre"
## [633] "oficial" "ojos" "operación" "opinión"
## [637] "oposición" "orden" "organización" "origen"
## [641] "oro" "otra" "otras" "otro"
## [645] "otros" "p" "pablo" "paciente"
## [649] "pacientes" "padre" "padres" "país"
## [653] "países" "palabra" "palabras" "papel"
## [657] "para" "parece" "parecía" "parís"
## [661] "parte" "partes" "participación" "particular"
## [665] "partido" "partidos" "partir" "pasa"
## [669] "pasado" "pasar" "paso" "pasó"
## [673] "paz" "pedro" "película" "pensar"
## [677] "peor" "pequeña" "pequeño" "perdido"
## [681] "período" "permite" "pero" "persona"
## [685] "personal" "personas" "pesar" "pese"
## [689] "pesetas" "peso" "pie" "piel"
## [693] "plan" "plaza" "plazo" "población"
## [697] "poco" "pocos" "podemos" "poder"
## [701] "podía" "podrá" "podría" "policía"
## [705] "política" "políticas" "político" "políticos"
## [709] "pone" "poner" "popular" "por"
## [713] "porque" "posibilidad" "posibilidades" "posible"
## [717] "posición" "pp" "práctica" "precio"
## [721] "precios" "precisamente" "pregunta" "premio"
## [725] "prensa" "presencia" "presenta" "presente"
## [729] "presidente" "primer" "primera" "primeras"
## [733] "primero" "primeros" "principal" "principales"
## [737] "principio" "principios" "problema" "problemas"
## [741] "proceso" "producción" "produce" "producto"
## [745] "productos" "profesional" "programa" "programas"
## [749] "pronto" "propia" "propio" "propios"
## [753] "propuesta" "próximo" "proyecto" "proyectos"
## [757] "prueba" "psoe" "pública" "público"
## [761] "pudo" "pueblo" "pueda" "puede"
## [765] "pueden" "puedo" "puerta" "puerto"
## [769] "pues" "puesto" "punto" "puntos"
## [773] "puso" "que" "qué" "queda"
## [777] "quedó" "quería" "quien" "quién"
## [781] "quienes" "quiere" "quiero" "quizá"
## [785] "r" "radio" "rafael" "razón"
## [789] "razones" "real" "realidad" "realizar"
## [793] "recuerdo" "recursos" "reforma" "régimen"
## [797] "región" "relación" "relaciones" "república"
## [801] "respecto" "respuesta" "resto" "resulta"
## [805] "resultado" "resultados" "reunión" "revolución"
## [809] "rey" "riesgo" "río" "rodríguez"
## [813] "rosa" "s" "sabe" "saber"
## [817] "sabía" "sala" "salida" "salir"
## [821] "salud" "san" "sangre" "santa"
## [825] "santiago" "se" "sé" "sea"
## [829] "sean" "secretario" "sector" "sectores"
## [833] "seguir" "según" "segunda" "segundo"
## [837] "seguridad" "seguro" "seis" "semana"
## [841] "semanas" "sentido" "señaló" "señor"
## [845] "señora" "septiembre" "ser" "será"
## [849] "serán" "sería" "serie" "servicio"
## [853] "servicios" "si" "sí" "sido"
## [857] "siempre" "siendo" "siete" "siglo"
## [861] "sigue" "siguiente" "siguientes" "silencio"
## [865] "sin" "sino" "siquiera" "sistema"
## [869] "sistemas" "situación" "sobre" "social"
## [873] "sociales" "socialista" "sociedad" "sol"
## [877] "sola" "solamente" "solo" "sólo"
## [881] "solución" "somos" "son" "soy"
## [885] "su" "suelo" "sueño" "suerte"
## [889] "suficiente" "superior" "supuesto" "sur"
## [893] "sus" "tal" "tales" "también"
## [897] "tampoco" "tan" "tanto" "tarde"
## [901] "te" "teatro" "técnica" "televisión"
## [905] "tema" "temas" "tendrá" "tenemos"
## [909] "tener" "tengo" "tenía" "tenían"
## [913] "tenido" "teoría" "tercera" "términos"
## [917] "texto" "tiempo" "tiempos" "tiene"
## [921] "tienen" "tierra" "tipo" "tipos"
## [925] "título" "toda" "todas" "todavía"
## [929] "todo" "todos" "toma" "tomar"
## [933] "torno" "total" "trabajadores" "trabajar"
## [937] "trabajo" "tras" "trata" "tratamiento"
## [941] "través" "tres" "tribunal" "tu"
## [945] "tú" "tuvo" "u" "última"
## [949] "último" "últimos" "un" "una"
## [953] "unas" "única" "único" "unidad"
## [957] "unidos" "unión" "universidad" "uno"
## [961] "unos" "uso" "usted" "va"
## [965] "valor" "valores" "vamos" "van"
## [969] "varias" "varios" "ve" "veces"
## [973] "ver" "verdad" "vez" "vía"
## [977] "viaje" "victoria" "vida" "viejo"
## [981] "viene" "vino" "vio" "violencia"
## [985] "visita" "vista" "visto" "vivir"
## [989] "voluntad" "volver" "volvió" "voy"
## [993] "voz" "vuelta" "vuelve" "y"
## [997] "ya" "yo" "zona" "zonas"# Encuentra todas las palabras que contengan al menos una vocal, y luego niégalo
sin_vocales_1 <- !str_detect(palabras, "[aáeéiíoóuúúü]")
sin_vocales_1## [1] FALSE FALSE FALSE FALSE FALSE FALSE FALSE FALSE FALSE FALSE FALSE FALSE
## [13] FALSE FALSE FALSE FALSE FALSE FALSE FALSE FALSE FALSE FALSE FALSE FALSE
## [25] FALSE FALSE FALSE FALSE FALSE FALSE FALSE FALSE FALSE FALSE FALSE FALSE
## [37] FALSE FALSE FALSE FALSE FALSE FALSE FALSE FALSE FALSE FALSE FALSE FALSE
## [49] FALSE FALSE FALSE FALSE FALSE FALSE FALSE FALSE FALSE FALSE FALSE FALSE
## [61] FALSE FALSE FALSE FALSE FALSE FALSE FALSE FALSE FALSE FALSE FALSE FALSE
## [73] FALSE FALSE FALSE TRUE FALSE FALSE FALSE FALSE FALSE FALSE FALSE FALSE
## [85] FALSE FALSE FALSE FALSE FALSE FALSE FALSE FALSE TRUE FALSE FALSE FALSE
## [97] FALSE FALSE FALSE FALSE FALSE FALSE FALSE FALSE FALSE FALSE FALSE FALSE
## [109] FALSE FALSE FALSE FALSE FALSE FALSE FALSE FALSE FALSE FALSE FALSE FALSE
## [121] FALSE FALSE FALSE FALSE FALSE FALSE FALSE FALSE FALSE FALSE FALSE FALSE
## [133] FALSE FALSE FALSE FALSE FALSE FALSE FALSE FALSE FALSE FALSE FALSE FALSE
## [145] FALSE FALSE FALSE FALSE FALSE FALSE FALSE FALSE FALSE FALSE FALSE FALSE
## [157] FALSE FALSE FALSE FALSE FALSE FALSE FALSE FALSE FALSE FALSE FALSE FALSE
## [169] FALSE FALSE FALSE FALSE FALSE FALSE FALSE FALSE FALSE FALSE FALSE FALSE
## [181] FALSE FALSE FALSE FALSE FALSE FALSE FALSE FALSE FALSE FALSE FALSE FALSE
## [193] FALSE TRUE FALSE FALSE FALSE FALSE FALSE FALSE FALSE FALSE FALSE FALSE
## [205] FALSE FALSE FALSE FALSE FALSE FALSE FALSE FALSE FALSE FALSE FALSE FALSE
## [217] FALSE FALSE FALSE FALSE FALSE FALSE FALSE FALSE FALSE FALSE FALSE FALSE
## [229] FALSE FALSE FALSE FALSE FALSE FALSE FALSE FALSE FALSE FALSE FALSE FALSE
## [241] FALSE FALSE FALSE FALSE FALSE FALSE FALSE FALSE FALSE FALSE FALSE FALSE
## [253] FALSE FALSE FALSE FALSE FALSE FALSE FALSE FALSE FALSE FALSE FALSE FALSE
## [265] FALSE FALSE FALSE FALSE FALSE FALSE FALSE FALSE FALSE FALSE FALSE FALSE
## [277] FALSE FALSE FALSE FALSE FALSE FALSE FALSE FALSE FALSE FALSE FALSE FALSE
## [289] FALSE FALSE FALSE FALSE FALSE FALSE FALSE FALSE FALSE FALSE FALSE FALSE
## [301] FALSE FALSE FALSE FALSE FALSE FALSE FALSE FALSE FALSE FALSE FALSE FALSE
## [313] FALSE FALSE FALSE FALSE FALSE FALSE FALSE FALSE FALSE FALSE FALSE FALSE
## [325] FALSE FALSE FALSE FALSE FALSE FALSE FALSE FALSE FALSE FALSE FALSE FALSE
## [337] FALSE FALSE FALSE FALSE FALSE FALSE FALSE FALSE FALSE FALSE FALSE FALSE
## [349] FALSE FALSE FALSE FALSE FALSE FALSE FALSE FALSE FALSE FALSE FALSE FALSE
## [361] FALSE FALSE FALSE FALSE FALSE FALSE FALSE FALSE FALSE FALSE FALSE FALSE
## [373] FALSE FALSE FALSE FALSE FALSE TRUE FALSE FALSE FALSE FALSE FALSE FALSE
## [385] FALSE FALSE FALSE FALSE FALSE FALSE FALSE FALSE FALSE FALSE FALSE FALSE
## [397] FALSE FALSE FALSE FALSE FALSE FALSE FALSE FALSE FALSE FALSE FALSE FALSE
## [409] FALSE FALSE FALSE FALSE FALSE FALSE FALSE FALSE FALSE FALSE FALSE FALSE
## [421] FALSE FALSE FALSE FALSE FALSE FALSE FALSE FALSE FALSE FALSE FALSE FALSE
## [433] FALSE FALSE FALSE FALSE FALSE FALSE FALSE FALSE FALSE FALSE FALSE FALSE
## [445] FALSE FALSE FALSE FALSE FALSE FALSE FALSE FALSE FALSE FALSE FALSE FALSE
## [457] FALSE FALSE FALSE FALSE TRUE FALSE FALSE FALSE FALSE FALSE FALSE FALSE
## [469] FALSE FALSE FALSE FALSE FALSE FALSE FALSE FALSE FALSE FALSE FALSE FALSE
## [481] FALSE FALSE FALSE FALSE FALSE FALSE FALSE FALSE FALSE FALSE FALSE FALSE
## [493] FALSE FALSE FALSE FALSE FALSE FALSE FALSE FALSE FALSE FALSE FALSE FALSE
## [505] FALSE FALSE FALSE FALSE TRUE FALSE FALSE FALSE FALSE FALSE FALSE FALSE
## [517] FALSE FALSE FALSE FALSE FALSE FALSE FALSE FALSE FALSE FALSE FALSE FALSE
## [529] FALSE FALSE FALSE FALSE FALSE FALSE FALSE FALSE FALSE FALSE FALSE FALSE
## [541] FALSE FALSE FALSE FALSE FALSE FALSE FALSE FALSE FALSE FALSE FALSE FALSE
## [553] FALSE FALSE FALSE FALSE FALSE FALSE FALSE FALSE FALSE FALSE FALSE FALSE
## [565] FALSE FALSE FALSE FALSE FALSE FALSE FALSE FALSE FALSE FALSE FALSE FALSE
## [577] FALSE FALSE FALSE FALSE FALSE FALSE FALSE FALSE FALSE FALSE FALSE FALSE
## [589] FALSE TRUE FALSE FALSE FALSE FALSE FALSE FALSE FALSE FALSE FALSE FALSE
## [601] FALSE FALSE FALSE FALSE FALSE FALSE FALSE FALSE FALSE FALSE FALSE FALSE
## [613] FALSE FALSE FALSE FALSE FALSE FALSE FALSE FALSE FALSE FALSE FALSE FALSE
## [625] FALSE FALSE FALSE FALSE FALSE FALSE FALSE FALSE FALSE FALSE FALSE FALSE
## [637] FALSE FALSE FALSE FALSE FALSE FALSE FALSE FALSE FALSE TRUE FALSE FALSE
## [649] FALSE FALSE FALSE FALSE FALSE FALSE FALSE FALSE FALSE FALSE FALSE FALSE
## [661] FALSE FALSE FALSE FALSE FALSE FALSE FALSE FALSE FALSE FALSE FALSE FALSE
## [673] FALSE FALSE FALSE FALSE FALSE FALSE FALSE FALSE FALSE FALSE FALSE FALSE
## [685] FALSE FALSE FALSE FALSE FALSE FALSE FALSE FALSE FALSE FALSE FALSE FALSE
## [697] FALSE FALSE FALSE FALSE FALSE FALSE FALSE FALSE FALSE FALSE FALSE FALSE
## [709] FALSE FALSE FALSE FALSE FALSE FALSE FALSE FALSE FALSE TRUE FALSE FALSE
## [721] FALSE FALSE FALSE FALSE FALSE FALSE FALSE FALSE FALSE FALSE FALSE FALSE
## [733] FALSE FALSE FALSE FALSE FALSE FALSE FALSE FALSE FALSE FALSE FALSE FALSE
## [745] FALSE FALSE FALSE FALSE FALSE FALSE FALSE FALSE FALSE FALSE FALSE FALSE
## [757] FALSE FALSE FALSE FALSE FALSE FALSE FALSE FALSE FALSE FALSE FALSE FALSE
## [769] FALSE FALSE FALSE FALSE FALSE FALSE FALSE FALSE FALSE FALSE FALSE FALSE
## [781] FALSE FALSE FALSE FALSE TRUE FALSE FALSE FALSE FALSE FALSE FALSE FALSE
## [793] FALSE FALSE FALSE FALSE FALSE FALSE FALSE FALSE FALSE FALSE FALSE FALSE
## [805] FALSE FALSE FALSE FALSE FALSE FALSE FALSE FALSE FALSE TRUE FALSE FALSE
## [817] FALSE FALSE FALSE FALSE FALSE FALSE FALSE FALSE FALSE FALSE FALSE FALSE
## [829] FALSE FALSE FALSE FALSE FALSE FALSE FALSE FALSE FALSE FALSE FALSE FALSE
## [841] FALSE FALSE FALSE FALSE FALSE FALSE FALSE FALSE FALSE FALSE FALSE FALSE
## [853] FALSE FALSE FALSE FALSE FALSE FALSE FALSE FALSE FALSE FALSE FALSE FALSE
## [865] FALSE FALSE FALSE FALSE FALSE FALSE FALSE FALSE FALSE FALSE FALSE FALSE
## [877] FALSE FALSE FALSE FALSE FALSE FALSE FALSE FALSE FALSE FALSE FALSE FALSE
## [889] FALSE FALSE FALSE FALSE FALSE FALSE FALSE FALSE FALSE FALSE FALSE FALSE
## [901] FALSE FALSE FALSE FALSE FALSE FALSE FALSE FALSE FALSE FALSE FALSE FALSE
## [913] FALSE FALSE FALSE FALSE FALSE FALSE FALSE FALSE FALSE FALSE FALSE FALSE
## [925] FALSE FALSE FALSE FALSE FALSE FALSE FALSE FALSE FALSE FALSE FALSE FALSE
## [937] FALSE FALSE FALSE FALSE FALSE FALSE FALSE FALSE FALSE FALSE FALSE FALSE
## [949] FALSE FALSE FALSE FALSE FALSE FALSE FALSE FALSE FALSE FALSE FALSE FALSE
## [961] FALSE FALSE FALSE FALSE FALSE FALSE FALSE FALSE FALSE FALSE FALSE FALSE
## [973] FALSE FALSE FALSE FALSE FALSE FALSE FALSE FALSE FALSE FALSE FALSE FALSE
## [985] FALSE FALSE FALSE FALSE FALSE FALSE FALSE FALSE FALSE FALSE FALSE TRUE
## [997] FALSE FALSE FALSE FALSE# Encuentra todas las palabras consistentes solo en consonantes (no vocales)
sin_vocales_2 <- str_detect(palabras, "^[^aáeéiíoóuúúü]+$")
head(identical(sin_vocales_1, sin_vocales_2), 100)## [1] TRUESuma la cantidad de palabras que no tienen vocales?
library(tidyverse)
df <- tibble(
palabra = palabras,
i = seq_along(palabra)
) ## poner los datos en un dataframe
df %>%
filter(str_detect(palabras, "x$")) # filtrar todas la palabras para solamente las terminan en **x**## # A tibble: 1 × 2
## palabra i
## <chr> <int>
## 1 ex 338df %>%
filter(str_detect(palabras, "z$")) # filtrar todas la palabras para solamente las terminan en **z**## # A tibble: 10 × 2
## palabra i
## <chr> <int>
## 1 capaz 108
## 2 diez 232
## 3 gonzález 384
## 4 juez 470
## 5 lópez 502
## 6 luz 508
## 7 paz 673
## 8 rodríguez 812
## 9 vez 975
## 10 voz 993library(readr)
fragmentos_neruda_sep <- read_csv("Datos/fragmentos_neruda_sep.csv")
fragmentos_neruda_sep## # A tibble: 10 × 2
## id texto
## <dbl> <chr>
## 1 1 "\"Puedo\" \"escribir\" \"los\" \"versos\" \"más\" \"tristes\" \"esta\…
## 2 2 "\"Es\" \"tan\" \"corto\" \"el\" \"amor,\" \"y\" \"es\" \"tan\" \"larg…
## 3 3 "\"Me\" \"gustas\" \"cuando\" \"callas\" \"porque\" \"estás\" \"como\"…
## 4 4 "\"Para\" \"que\" \"nada\" \"nos\" \"separe\" \"que\" \"nada\" \"nos\"…
## 5 5 "\"En\" \"un\" \"beso\" \"sabrás\" \"todo\" \"lo\" \"que\" \"he\" \"ca…
## 6 6 "\"Te\" \"amo\" \"como\" \"se\" \"aman\" \"ciertas\" \"cosas\" \"oscur…
## 7 7 "\"Quiero\" \"hacer\" \"contigo\" \"lo\" \"que\" \"la\" \"primavera\" …
## 8 8 "\"Algún\" \"día\" \"en\" \"cualquier\" \"parte,\" \"en\" \"cualquier\…
## 9 9 "\"Si\" \"nada\" \"nos\" \"salva\" \"de\" \"la\" \"muerte,\" \"al\" \"…
## 10 10 "\"Podrán\" \"cortar\" \"todas\" \"las\" \"flores,\" \"pero\" \"no\" \…Contar cuantas “a” hay en cada palabra con str_count()
## id texto
## 0 57## [1] 2.72## [1] 0.013Contar cuantas vocales y consonantes hay en cada palabra
df %>%
mutate(
vocales = str_count(palabra, "[aáeéiíoóuúü]"), # Cuenta cuantas vocales
consonantes = str_count(palabra, "[^aáeéiíoóuúü]") # cuenta cuantos consonantes
) |> head(n=30)## # A tibble: 30 × 4
## palabra i vocales consonantes
## <chr> <int> <int> <int>
## 1 a 1 1 0
## 2 abril 2 2 3
## 3 acción 3 3 3
## 4 acciones 4 4 4
## 5 acerca 5 3 3
## 6 actitud 6 3 4
## 7 actividad 7 4 5
## 8 actividades 8 5 6
## 9 acto 9 2 2
## 10 actual 10 3 3
## # ℹ 20 more rows- los puntos y caracteres especiales
Ejercicios del libro R4DS.
Hacer los ejercicios en la sección 14.2.7.1 del libro en español
22.10 Anclas
Sin ancla, un patrón se busca en cualquier parte de la cadena. Las anclas dicen dónde tiene que estar:
- ^ al principio
- $ al final
^ y $: anclar el patrón a un extremo de la cadena.
"^a": empieza pora."a$": termina ena."^abc$": la cadena es exactamenteabc, ni una letra más.- En inglés hay una regla mnemotécnica que se recuerda sola: if you begin with power (
^), you end up with money ($).
## [1] "y" "ya" "yo"## [1] "capaz" "diez" "gonzález" "juez" "lópez" "luz"## [1] "ahí" "año" "así" "aun" "aún" "con"Sin anclas, str_detect(x, "sol") encuentra también "solución", "consola" y
"girasol". Es el error más común al empezar con expresiones regulares: uno cree
que está buscando una palabra y en realidad está buscando un pedazo de palabra.
Ejercicios del libro R4DS.
Hacer los ejercicios en la sección 14.2.8.1 del libro en español
22.11 Clases de caracteres y alternativas
Una clase de caracteres dice “aquí va uno cualquiera de estos”. Una alternativa dice “aquí va esto o aquello”.
\d\s- [abc]
- [^abc]
Clases de caracteres: un solo carácter, escogido de un conjunto.
\d: cualquier dígito.\s: cualquier espacio en blanco (espacio, tabulador, salto de línea).[abc]: laa, labo lac.[^abc]: cualquier carácter menos esos tres.[a-z],[0-9]: rangos..: cualquier carácter, sea el que sea.gato|perro: alternativa. Con paréntesis se acota el alcance, como enc(ó|o)mo, que es lo que hace el ejemplo de abajo.
Estos son los caracteres que tienen significado especial y que hay que escapar si quieres buscarlos tal cual:
- $ . | ? * + ( ) [ {
## [1] │ <cómo>
## [2] │ <como>Para buscar un punto de verdad hay que escribir el patrón con dos barras invertidas. La razón es que hay dos traducciones seguidas: primero R lee la cadena y convierte las dos barras en una, y solo entonces la expresión regular lee esa barra como “el carácter siguiente es literal”. Es el tropiezo clásico del capítulo, y si te pasa no lo estás haciendo mal: le pasa a todo el mundo.
## [1] "a" "abril" "acción" "acciones" "acerca" "actitud"## [1] TRUE## [1] TRUE FALSEEjercicios del libro R4DS.
Hacer los ejercicios en la sección 14.2.9.1 del libro en español
22.12 Repetición
Los cuantificadores dicen cuántas veces se repite lo que va justo antes: una letra, una clase de caracteres o un grupo entre paréntesis.
- ?, 0 o 1, presencia o ausencia
- +, 1 o más
- *, 0 o más
- str_view()
- {n} : exactamente n
- {n, }: n o más
- { , m}: no más de m
- {n, m}: entre n y m
- {n, m}?: la cadena más larga
- {n, m}+?: la cadena más corta
Los tres primeros se usan el 95 % de las veces y vale la pena aprenderlos de
memoria: ? es “quizás”, + es “al menos uno” y * es “los que sea, incluso
ninguno”. Las llaves son para cuando necesitas un número exacto, como en un
código de tres letras ("[A-Z]{3}") o un año ("\\d{4}").
## [1] "alguien" "cualquier" "izquierda" "quien" "quienes" "quiere"## [1] "actividades" "administración" "asociación" "autoridades"
## [5] "características" "comunicación"## [1] "2016"Por defecto los cuantificadores son glotones: se llevan todo lo que pueden.
En "<a> y <b>", el patrón "<.+>" no encuentra <a> sino <a> y <b>, porque
.+ se comió también lo del medio. Añadiendo un ? detrás ("<.+?>") se vuelven
perezosos y paran en cuanto pueden.
Ejercicios del libro R4DS.
Hacer los ejercicios en la sección 14.2.10.1 del libro en español
22.13 Agrupamiento y referencias previas
Los paréntesis hacen dos cosas a la vez. La primera ya la vimos: agrupan, para
que un cuantificador o una alternativa se aplique a todo el grupo. La segunda es
que R recuerda lo que encontró dentro de cada paréntesis, y se puede volver a
usar más adelante en el mismo patrón con \\1, \\2, etc. Eso se llama una
referencia previa.
(..)\\1 quiere decir: “dos caracteres cualesquiera, y otra vez esos mismos dos”.
Es decir, busca pares de letras repetidos, como el nana de banana.
- str_view(frutas, “(..)\1”, match=TRUE)
## [1] "alrededor" "análisis" "crisis" "intereses" "meses" "tienen"## [1] "acción" "acciones" "allá" "allí" "aquella" "aquellas"Las referencias previas sirven sobre todo para encontrar duplicados: palabras
con una sílaba repetida, nombres escritos dos veces seguidas en una celda, un
código que se copió por error. Y con str_replace() sirven para reordenar: el
patrón captura dos pedazos y el reemplazo los pone al revés con \\2 \\1.
Ejercicios del libro R4DS.
Hacer los ejercicios en la sección 14.2.11.1 del libro en español
22.14 Herramientas: Objetivos
Con las expresiones regulares aprendidas, stringr ofrece cinco familias de
funciones. Casi todo lo que se hace con texto es una de estas cinco cosas:
| Objetivo | Función | Qué devuelve |
|---|---|---|
| ¿Coincide? | str_detect(), str_subset() |
TRUE/FALSE, o las cadenas que sí |
| ¿Dónde? | str_locate() |
las posiciones |
| ¿Qué encontró? | str_extract(), str_extract_all() |
el texto que coincidió |
| Por partes | str_match() |
una columna por cada grupo entre paréntesis |
| Cambiar | str_replace(), str_replace_all() |
la cadena con el cambio hecho |
| Partir | str_split() |
una lista de pedazos |
Casi todas tienen una versión _all: la corriente actúa sobre la primera
coincidencia de cada cadena y la _all sobre todas.
- Determinar qué cadenas coinciden con un patrón.
- Encontrar la posición de una coincidencia.
- Extraer el contenido de las coincidencias.
- Remplazar coincidencias con nuevos valores.
- Dividir una cadena de acuerdo a una coincidencia.
22.14.1 Detectar coincidencias
- str_detect(x, “e”)
## [1] "a" "abril" "acción" "acciones" "acerca" "actitud"# Encuentra todas las palabras que contengan al menos una vocal, y luego niégalo
sin_vocales_1 <- !str_detect(palabras, "[aáeéiíoóuúúü]")
#sin_vocales_1
# Encuentra todas las palabras consistentes solo en consonantes (no vocales)
sin_vocales_2 <- str_detect(palabras, "^[^aáeéiíoóuúúü]+$")
#sin_vocales_1
head(identical(sin_vocales_1, sin_vocales_2), 30)## [1] TRUE- str_subset()
- seq_along()
- str_count()
Ejercicios del libro R4DS.
Hacer los ejercicios en la sección 14.3.2 del libro en español
Ejercicio
22.15 Extraer coincidencias
str_detect() contesta sí o no; str_extract() devuelve el pedazo de texto
que coincidió. Es la función que convierte texto sucio en datos: sacar el año de
una cita, el número de una etiqueta de herbario, el código de parcela de un
nombre de archivo.
- str_extract()
- str_extract_all()
str_extract() y str_extract_all() (stringr): sacar lo que coincidió.
str_extract(x, patron): devuelve la primera coincidencia de cada cadena, yNAsi no hubo ninguna.str_extract_all(x, patron): devuelve todas, en una lista. Consimplify = TRUEdevuelve una matriz.- Ojo: que devuelva
NAno es un error, significa que esa cadena no tenía nada que extraer. Cuéntalos.
Ejercicios del libro R4DS.
Hacer los ejercicios en la sección 14.3.3.1 del libro en español
22.16 Coincidencias agrupadas:
str_match() va un paso más allá que str_extract(): además de la coincidencia
completa, devuelve una columna por cada paréntesis del patrón. Es la manera
de partir un texto con estructura en varias variables de una sola vez.
En el ejemplo, el patrón tiene dos grupos: el artículo (el|la|los|...) y la
palabra que le sigue. str_extract() devolvería las dos cosas pegadas;
str_match() las devuelve en columnas separadas.
- str_match*
sustantivo <- "(el|la|los|las|lo|un|una|unos|unas) ([^ ]+)"
tiene_sustantivo <- oraciones %>%
str_subset(sustantivo)
#tiene_sustantivo
tiene_sustantivo %>%
str_extract(sustantivo)## [1] "los de" "el camión" "la mejor" "la cuenta" "las ruinas."
## [6] "la hoja" "la cocina." "la taza" "el tanque." "el calor"
## [11] "el aire" "lo en" "el papel" "la parte" "el sofá"
## [16] "lo de" "lo curó" "los actores." "la azul" "el banco"
## [21] "una llama" "la cabeza." "la ventana." "la hierba" "el sol"
## [26] "el lugar" "el sofá" "un suéter" "el gráfico" "los encajes"
## [31] "el verde" "la caja" "la pistola" "los niños" "una delgada"
## [36] "lo en" "la hierba" "la primavera" "la es"#> [1] "los de" "el camión" "la mejor" "la cuenta" "las ruinas."
#> [6] "la hoja" "la cocina." "la taza" "el tanque." "el calor"Ejercicios del libro R4DS.
Hacer los ejercicios en la sección 14.3.4.1 del libro en español
22.17 Remplazar coincidencias
- str_replace()
- str_replace_all()
str_replace() y str_replace_all() (stringr): cambiar lo que coincidió.
str_replace(x, patron, nuevo): cambia la primera coincidencia de cada cadena.str_replace_all(x, patron, nuevo): cambia todas. Es la que se usa casi siempre.- Varios cambios a la vez:
str_replace_all(x, c("a" = "1", "b" = "2")), con un vector con nombres. - En el reemplazo se pueden usar las referencias previas:
\\1,\\2, para reordenar lo que el patrón capturó.
## [1] "uno dos tres"## [1] "01/08/2016" "15/06/2016"Antes de reemplazar en serio, mira lo que vas a cambiar: corre primero
str_subset() o str_view() con el mismo patrón. Un reemplazo mal hecho es de
las pocas operaciones de este curso que no se pueden deshacer.
Ejercicios del libro R4DS.
Hacer los ejercicios en la sección 14.3.5.1 del libro en español
22.18 Divisiones
str_split() parte una cadena en pedazos. La diferencia con separate(), del
capítulo de datos ordenados, es que separate() trabaja sobre una columna de
una tabla y str_split() sobre un vector cualquiera, y devuelve una lista
porque cada cadena puede partirse en un número distinto de pedazos.
boundary("word") es la manera correcta de partir un texto en palabras: en vez
de partir por el espacio, entiende dónde acaba una palabra de verdad, sin dejarse
la puntuación pegada. Es lo que usan los ejemplos del Quijote más adelante.
- str_split()
- str_split(” “, simplify=TRUE)
- str_split(x, boundery(“word”))[[1]]
Ejercicios del libro R4DS.
Hacer los ejercicios en la sección 14.3.6.1 del libro en español
22.19 Otro tipos de patrones
Todas las funciones de stringr aceptan, en vez de un patrón normal, una de
estas envolturas:
- regex(“x”, ignore_case=TRUE)
- separar números telefónicos
Envolturas del patrón: cambiar cómo se interpreta lo que buscas.
regex(x, ignore_case = TRUE): no distinguir mayúsculas de minúsculas. Concomments = TRUEpuedes escribir el patrón en varias líneas y comentarlo, cosa que se agradece en patrones largos.fixed("a.b"): buscar el texto tal cual, sin interpretar nada. Es más rápido y evita tener que escapar; el problema es que con acentos y letras no inglesas puede fallar.coll(): comparar respetando las reglas del idioma. Es la más lenta y la única correcta cuando hay que comparar texto en español teniendo en cuenta acentos y ñ.boundary("word"): buscar límites de palabra en vez de un patrón.
22.20 stringi:
stringr está construido encima de stringi, que es mucho más grande: unas 250
funciones frente a las 50 y pico de stringr. stringr escogió a propósito un
subconjunto pequeño y con nombres consistentes, que es lo que hace falta el 95 %
de las veces. Cuando te falte algo (transliterar, ordenar según un idioma,
detectar el idioma de un texto), búscalo en stringi, donde las funciones
empiezan por stri_.
Ejercicios del libro R4DS.
Hacer los ejercicios en la sección 14.3.6.1 del libro en español Buscar 3 funciones en stringi y aplica y explica las funciones con un set de datos.
22.21 El texto de Quijote
22.21.1 Cómo importar un archivo .txt en R
## [1] "DON QUIJOTE DE LA MANCHA"
## [2] "Miguel de Cervantes Saavedra"
## [3] ""
## [4] "PRIMERA PARTE"
## [5] "CAPÍTULO 1: Que trata de la condición y ejercicio del famoso hidalgo D. Quijote de la Mancha"
## [6] "En un lugar de la Mancha, de cuyo nombre no quiero acordarme, no ha mucho tiempo que vivía un hidalgo de los de lanza en astillero, adarga antigua, rocín flaco y galgo corredor. Una olla de algo más vaca que carnero, salpicón las más noches, duelos y quebrantos los sábados, lentejas los viernes, algún palomino de añadidura los domingos, consumían las tres partes de su hacienda. El resto della concluían sayo de velarte, calzas de velludo para las fiestas con sus pantuflos de lo mismo, los días de entre semana se honraba con su vellori de lo más fino. Tenía en su casa una ama que pasaba de los cuarenta, y una sobrina que no llegaba a los veinte, y un mozo de campo y plaza, que así ensillaba el rocín como tomaba la podadera. Frisaba la edad de nuestro hidalgo con los cincuenta años, era de complexión recia, seco de carnes, enjuto de rostro; gran madrugador y amigo de la caza. Quieren decir que tenía el sobrenombre de Quijada o Quesada (que en esto hay alguna diferencia en los autores que deste caso escriben), aunque por conjeturas verosímiles se deja entender que se llama Quijana; pero esto importa poco a nuestro cuento; basta que en la narración dél no se salga un punto de la verdad. Es, pues, de saber, que este sobredicho hidalgo, los ratos que estaba ocioso (que eran los más del año) se daba a leer libros de caballerías con tanta afición y gusto, que olvidó casi de todo punto el ejercicio de la caza, y aun la administración de su hacienda; y llegó a tanto su curiosidad y desatino en esto, que vendió muchas hanegas de tierra de sembradura, para comprar libros de caballerías en que leer; y así llevó a su casa todos cuantos pudo haber dellos; y de todos ningunos le parecían tan bien como los que compuso el famoso Feliciano de Silva: porque la claridad de su prosa, y aquellas intrincadas razones suyas, le parecían de perlas; y más cuando llegaba a leer aquellos requiebros y cartas de desafío, donde en muchas partes hallaba escrito: la razón de la sinrazón que a mi razón se hace, de tal manera mi razón enflaquece, que con razón me quejo de la vuestra fermosura, y también cuando leía: los altos cielos que de vuestra divinidad divinamente con las estrellas se fortifican, y os hacen merecedora del merecimiento que merece la vuestra grandeza. Con estas y semejantes razones perdía el pobre caballero el juicio, y desvelábase por entenderlas, y desentrañarles el sentido, que no se lo sacara, ni las entendiera el mismo Aristóteles, si resucitara para sólo ello. No estaba muy bien con las heridas que don Belianis daba y recibía, porque se imaginaba que por grandes maestros que le hubiesen curado, no dejaría de tener el rostro y todo el cuerpo lleno de cicatrices y señales; pero con todo alababa en su autor aquel acabar su libro con la promesa de aquella inacabable aventura, y muchas veces le vino deseo de tomar la pluma, y darle fin al pie de la letra como allí se promete; y sin duda alguna lo hiciera, y aun saliera con ello, si otros mayores y continuos pensamientos no se lo estorbaran."
## [7] "Tuvo muchas veces competencia con el cura de su lugar (que era hombre docto graduado en Sigüenza), sobre cuál había sido mejor caballero, Palmerín de Inglaterra o Amadís de Gaula; mas maese Nicolás, barbero del mismo pueblo, decía que ninguno llegaba al caballero del Febo, y que si alguno se le podía comparar, era don Galaor, hermano de Amadís de Gaula, porque tenía muy acomodada condición para todo; que no era caballero melindroso, ni tan llorón como su hermano, y que en lo de la valentía no le iba en zaga."
## [8] "En resolución, él se enfrascó tanto en su lectura, que se le pasaban las noches leyendo de claro en claro, y los días de turbio en turbio, y así, del poco dormir y del mucho leer, se le secó el cerebro, de manera que vino a perder el juicio. Llenósele la fantasía de todo aquello que leía en los libros, así de encantamientos, como de pendencias, batallas, desafíos, heridas, requiebros, amores, tormentas y disparates imposibles, y asentósele de tal modo en la imaginación que era verdad toda aquella máquina de aquellas soñadas invenciones que leía, que para él no había otra"
## [9] "historia más cierta en el mundo."
## [10] "Decía él, que el Cid Ruy Díaz había sido muy buen caballero; pero que no tenía que ver con el caballero de la ardiente espada, que de sólo un revés había partido por medio dos fieros y descomunales gigantes. Mejor estaba con Bernardo del Carpio, porque en Roncesvalle había muerto a Roldán el encantado, valiéndose de la industria de Hércules, cuando ahogó a Anteo, el hijo de la Tierra, entre los brazos. Decía mucho bien del gigante Morgante, porque con ser de aquella generación gigantesca, que todos son soberbios y descomedidos, él solo era afable y bien criado; pero sobre todos estaba bien con Reinaldos de Montalbán, y más cuando le veía salir de su castillo y robar cuantos topaba, y cuando en Allende robó aquel ídolo de Mahoma, que era todo de oro, según dice su historia. Diera él, por dar una mano de coces al traidor de Galalón, al ama que tenía y aun a su sobrina de añadidura."22.22 Cuantas palabras tiene el primer capítulo de Quijote?
quijote_palabras <- str_split(quijote, " ")
quijote_palabras_vector <- unlist(quijote_palabras)
head(quijote_palabras_vector) # obervar las primeras palabras## [1] "DON" "QUIJOTE" "DE" "LA" "MANCHA" "Miguel"## [1] 18701922.27 Cuantas veces aparace “Dios” en el primer capitulo de Quijote?
## [1] 166# Cuantas palabras tiene “ñ” en cualquier posición de la palabra? !str_detect(palabras, “[aáeéiíoóuúúü]”)
str_detect(quijote_palabras_vector, "e") |> head() # cuantas veces aparece la letra e en cada palabra## [1] FALSE FALSE FALSE FALSE FALSE TRUE## [1] 9648422.28 Cuantas palabras tienen ñ?
sum(str_detect(quijote_palabras_vector, "[aáeéiíoóuúúü]")) # cuantas veces aparece la letra ñ en cada palabra## [1] 177633## [1] 4922722.29 Remover del texto todas las siguientes palabras
las palabras como “que”, “de”, “y”, “la”, “el”, “en”, “a”, “los”, “del”, “se”, “las”, “un”, “por”, “con”, “no”, “una”, “su”, “para”, “es”, “al”, “lo”, “como”, “más”, “pero”, “sus”, “le”, “ya”, “o”, “este”, “sí”, “porque”, “esta”, “entre”, “cuando”, “muy”, “sin”, “sobre”, “también”, “me”, “hasta”, “hay”, “donde”, “quien”, etc.
stop_words <- c("que", "de", "y", "la", "el", "en", "a", "los", "del", "se",
"las", "un", "por", "con", "no", "una", "su", "para", "es",
"al", "lo", "como", "más", "pero", "sus", "le", "ya", "o",
"este", "sí", "porque", "esta", "entre", "cuando", "muy",
"sin", "sobre", "también", "me", "hasta", "hay", "donde",
"quien")
quijote_palabras_vector_limpio <- quijote_palabras_vector[!str_detect(quijote_palabras_vector,
str_c("^", stop_words, "$", collapse = "|"))]## [1] "[](https://r-pkg.org/pkg/ggversa)"## date count package
## 1 2026-08-10 8 ggversa
## 2 2026-08-11 6 ggversa
## 3 2026-08-12 20 ggversa
## 4 2026-08-13 2 ggversa
## 5 2026-08-14 1 ggversa
## 6 2026-08-15 6 ggversa
## 7 2026-08-16 3 ggversa
## 8 2026-08-17 4 ggversa
## 9 2026-08-18 1 ggversa
## 10 2026-08-19 4 ggversa
## 11 2026-08-20 6 ggversa
## 12 2026-08-21 15 ggversa
## 13 2026-08-22 2 ggversa
## 14 2026-08-23 2 ggversa
## 15 2026-08-24 9 ggversa
## 16 2026-08-25 3 ggversa
## 17 2026-08-26 9 ggversa
## 18 2026-08-27 16 ggversa
## 19 2026-08-28 7 ggversa
## 20 2026-08-29 11 ggversa
## 21 2026-08-30 3 ggversa
## 22 2026-08-31 4 ggversa
## 23 2026-09-01 7 ggversa
## 24 2026-09-02 21 ggversa
## 25 2026-09-03 8 ggversa
## 26 2026-09-04 11 ggversa
## 27 2026-09-05 8 ggversa
## 28 2026-09-06 8 ggversa
## 29 2026-09-07 12 ggversa
## 30 2026-09-08 21 ggversa# Replace start date with the earliest date ggversa is available on CRAN
df <- cran_downloads("ggversa", from = "2017-08-05", to = Sys.Date())
# Sum all daily downloads
total_downloads <- sum(df$count, na.rm = TRUE)
print(total_downloads)## [1] 36865# Desactivado para el build: install_github requiere credenciales de GitHub.
#install.packages("devtools")
devtools::install_github("arunsrinivasan/cran.stats")
library(cran.stats)
# Get logs for a specific day
dt <- read_logs(start = as.Date("2025-11-09"),
end = as.Date("2025-11-09"))
# Filter for ggversa and summarize downloads by country
library(data.table)
dt <- as.data.table(dt)
dt_ggversa <- dt[package == "ggversa", .N, by = country]
print(dt_ggversa)#install.packages("packageRank")
library(packageRank)
# Define target countries
target_countries <- c(
"United States", "Puerto Rico", "Spain", "Mexico", "Argentina", "Colombia", "Chile", "Peru",
"Venezuela", "Ecuador", "Guatemala", "Cuba", "Bolivia", "Honduras", "Paraguay", "El Salvador",
"Nicaragua", "Costa Rica", "Panama", "Uruguay", "Dominican Republic", "Equatorial Guinea"
)
# Downloads for ggversa by country (latest day)
dates <- seq(as.Date("2025-10-01"), as.Date("2025-11-09"), by = "day")
results <- lapply(dates, function(d) {
tryCatch({
df <- packageCountry(packages = "ggversa", date = d)
df$date <- d
df
}, error = function(e) NULL)
})
# Combine and filter
country_data <- bind_rows(results)
filtered_data <- country_data %>% filter(country %in% target_countries)
# Summarize
summary <- filtered_data %>%
group_by(country) %>%
summarise(total_downloads = sum(downloads)) %>%
arrange(desc(total_downloads))
print(summary)22.30 Contabilizar las palabras más comunes en el primer capitulo de Quijote
## quijote_palabras_vector_limpio
## si más mi yo tan don había él
## 899 882 851 814 750 713 653 627
## ni todo ser ha era bien vuestra Y
## 617 509 466 460 452 451 445 407
## todos dijo Don fue te cual así sino
## 372 348 345 343 340 326 321 313
## esto Sancho que, Quijote aquel merced dos hacer
## 312 312 310 310 293 286 282 279
## señor ella aunque Quijote, otra he nos cosa
## 275 269 265 265 262 246 241 240clean=str_replace_all(quijote_palabras_vector_limpio, "[,\\.\\!\\:\\'\\?]", "")
table(clean) %>%
sort(decreasing = TRUE) %>%
head(40)## clean
## más si yo mi tan él don había
## 958 917 886 876 750 737 718 668
## Quijote ni dijo Sancho todo bien ser así
## 668 620 579 560 560 507 503 489
## era esto ha vuestra Y todos cual merced
## 475 462 460 453 422 416 399 395
## señor fue ella Don pues te sino hacer
## 363 358 347 345 344 340 316 312
## que caballero dos aquel otra cosa aunque decir
## 310 309 299 296 280 274 265 264\\b[^\\s]*;[^\\s]*\\b matches:
\\b: word boundary
[^\\s]*: any number of non-space characters
;: the semicolon
[^\\s]*: more non-space characters
\\b: word boundary## character(0)Contabilizar la cantidad de veces los numeros aparecen en el texto
## chr [1:111341] "DON" "QUIJOTE" "DE" "LA" "MANCHA" "Miguel" "Cervantes" ...library(purrr)
numeros <- c("uno", "dos", "tres", "cuatro", "cinco", "seis", "siete", "ocho", "nueve", "diez")
clean <- str_replace_all(clean, "[[:punct:]]", "")
clean_text <- paste(clean, collapse = " ")
counts <- sapply(numeros, function(n) str_count(tolower(clean_text), fixed(n)))
names(counts)<- numeros
print(counts)## uno dos tres cuatro cinco seis siete ocho nueve diez
## 445 1563 117 72 13 31 9 17 5 18## [1] "*** START OF THE PROJECT GUTENBERG EBOOK 11 ***"
## [2] ""
## [3] "[Illustration]"
## [4] ""
## [5] ""
## [6] ""
## [7] ""
## [8] "Alice’s Adventures in Wonderland"
## [9] ""
## [10] "by Lewis Carroll"## [1] "childhood: and how she would gather about her other little children,"
## [2] "and make _their_ eyes bright and eager with many a strange tale,"
## [3] "perhaps even with the dream of Wonderland of long ago: and how she"
## [4] "would feel with all their simple sorrows, and find a pleasure in all"
## [5] "their simple joys, remembering her own child-life, and the happy summer"
## [6] "days."
## [7] ""
## [8] "THE END"
## [9] ""
## [10] "*** END OF THE PROJECT GUTENBERG EBOOK 11 ***"22.30.2 Cuantas palabras tiene el texto de Alice?
## [1] "***" "START" "OF" "THE" "PROJECT" "GUTENBERG"## [1] 2801722.30.3 Convertir todo a minúsculas
Determinar cuantas veces aparece la palabra “alice” en el texto
## [1] 39922.30.5 Remover todos las puntuaciones en el texto, usando “[[:punct:]]”
## [1] "" "start" "of" "the" "project" "gutenberg"22.30.6 Haz una lista de las 20 palabras más comunes en el texto de Alice
## Alice_palabras_vector_limpio
## the and to a she it of said i alice in you
## 1640 1538 846 721 632 537 526 511 462 401 385 367 360
## was that as her at on with
## 357 276 262 248 209 193 181Remover los espacios vacíos
Haga una lista de las 20 palabras más comunes en el texto de Alice sin los espacios vacios, para averguar que removiste los espcios vacios
## Alice_palabras_vector_limpio
## the and to a she it of said i alice in you was
## 1640 846 721 632 537 526 511 462 401 385 367 360 357
## that as her at on with all
## 276 262 248 209 193 181 179Ahora remueve todos ,los stopwords en ingles del texto de Alice usando la libreria stopwords
Ahora enseñe las 20 palabras más comunes en el texto de Alice sin los stopwords
## Alice_palabras_vector_limpio2
## said alice little one know like went thought queen time
## 462 385 129 101 85 85 83 74 68 68
## see king dont well began im mock now turtle gryphon
## 66 61 60 60 58 57 57 57 56 55Using the following list of main characters in the book, count how many times each character is mentioned in the text of Alice in Wonderland
- Alice
- White Rabbit
- Mad Hatter
- Hatter
- Queen of Hearts
- Queen
- Cheshire Cat
- March Hare
- Caterpillar
- Dormouse
- King of Hearts
- Gryphon
- Mock Turtle
- Dodo
- Bill the Lizard
- Knave of Hearts
characters <- c("Alice", "White Rabbit", "Rabbit", "Mad Hatter", "Hatter", "Queen of Hearts", "Queen",
"Cheshire Cat","Cat", "March Hare", "Caterpillar", "Dormouse",
"King of Hearts", "King", "Gryphon", "Mock Turtle", "Dodo", "Knave of Hearts")## Alice White Rabbit Rabbit Mad Hatter Hatter
## 399 22 54 0 57
## Queen of Hearts Queen Cheshire Cat Cat March Hare
## 4 77 6 90 31
## Caterpillar Dormouse King of Hearts King Gryphon
## 29 40 0 179 55
## Mock Turtle Dodo Knave of Hearts
## 57 13 322.31 Ejercicios del capítulo
Sobre los ejercicios de este capítulo. Cada ejercicio se entrega con tres
cosas: el script, el resultado (que el bloque corra) y una explicación
en palabras. Los ejercicios usan millas y paises del paquete datos, más
un vector de códigos sucios que vas a escribir tú, no palabras, oraciones, el
Quijote ni Alicia, que son los del capítulo. La hoja completa para entregar está
en Ejercicios/Ejercicios_Capitulo_22_strings.Rmd.
Un aviso técnico: algunas columnas de texto llegan como factor, y las
funciones str_* esperan texto. Si una te da un error raro, comprueba con
class() y envuélvela en as.character().
22.31.1 Ejercicio 1. Lo básico
Datos: millas. Crea una columna etiqueta que junte fabricante y modelo
con un espacio, en mayúsculas, y otra columna con su largo en caracteres.
Verificación: las dos columnas nuevas deben tener 234 valores y ningún NA.
La etiqueta más larga debe pasar de 25 caracteres.
En palabras: ¿cuál es el modelo con el nombre más largo y cuál el más corto?
¿Por qué str_length() no es lo mismo que contar las letras a mano en un texto
con acentos?
22.31.2 Ejercicio 2. Anclas
Datos: los nombres de país de paises, sin repetir. Encuentra los que empiezan
por vocal, los que terminan en a, y los que cumplen las dos cosas.
Verificación: la tercera lista tiene que ser más corta que las otras dos, y todos sus elementos deben aparecer también en ellas.
En palabras: haz la misma búsqueda sin anclas, solo con "a", y compara.
Explica con un ejemplo concreto qué encontró de más.
22.31.3 Ejercicio 3. Sacar el número de un código sucio
Escribe a mano este vector, que imita cómo llegan los códigos de parcela de una libreta de campo:
codigos <- c("P-01", "p 2", "PARCELA_3", " P04 ", "parcela 5", "P6")
Extrae el número de cada uno con str_extract() y conviértelo a numérico.
Verificación: debes obtener los números del 1 al 6, en ese orden, sin ningún
NA.
En palabras: ¿por qué "P-01" y "P6" se resuelven con el mismo patrón,
aunque uno tenga guion y ceros y el otro no? ¿Qué pasaría si un código fuera
"P-01-bis"?
22.31.4 Ejercicio 4. Normalizar
Sigue con codigos. Conviértelos todos a la forma P01, P02, …, P06:
quita los espacios de los extremos, pásalos a mayúscula, quita guiones y guiones
bajos, y rellena el número a dos dígitos.
Verificación: los seis resultados deben ser exactamente
"P01" "P02" "P03" "P04" "P05" "P06", y n_distinct() debe dar 6.
En palabras: antes de normalizar, n_distinct(codigos) también daba 6, pero
eso era una coincidencia. Explica qué habría pasado si la libreta tuviera "P-01"
y "p 1", que son la misma parcela.
22.31.5 Ejercicio 5. Contar palabras
Toma esta frase: "El muestreo se hizo en 2016, 2017 y 2018.". Pártela en
palabras de dos maneras: con str_split(" ") y con
str_split(boundary("word")).
Verificación: las dos maneras dan un número distinto de elementos.
En palabras: compara las dos listas elemento por elemento y explica qué hace
distinto boundary("word"). ¿Cuál de las dos usarías para contar las palabras de
un texto y por qué?
22.31.6 Ejercicio 6. Las cinco herramientas, una sola pregunta
Datos: millas, columna modelo. La pregunta es siempre la misma, “¿cuáles
modelos tienen un número en el nombre?”, contestada de cinco maneras:
str_detect(), str_subset(), str_which(), str_extract() y
str_replace().
Verificación: sum(str_detect(...)), length(str_subset(...)) y
length(str_which(...)) tienen que dar el mismo número.
En palabras: las cinco funciones usan el mismo patrón y devuelven cosas distintas. Haz una tabla de dos columnas diciendo qué devuelve cada una y en qué situación la usarías.
22.31.7 Ejercicio 7 (BONO). Referencias previas
Con los nombres de país de paises, encuentra los que tienen una letra doble
(dos iguales seguidas) y los que tienen un par de letras repetido.
Verificación: las dos listas son distintas, y ninguna contiene a la otra:
tiene que haber al menos un nombre en cada una que no esté en la otra.
Compruébalo con setdiff() en los dos sentidos.
En palabras: explica la diferencia entre los dos patrones. Después describe un caso de tus propios datos donde te serviría buscar algo repetido: piensa en nombres de especie tecleados dos veces, o en un código copiado por error.