r - 处理 R 中带有变音符号的字符数

Question

我正在尝试使用带有变音符号的字符获取字符串中的字符数，但我无法获得正确的结果。

> x <- "n̥ala"
> nchar(x)
[1] 5

我想得到的是 4 , 自 n̥应该被视为一个字符(即变音符号不应单独被视为字符，即使在一个基本字符上堆叠了多个变音符号)。

我怎样才能得到这种结果？

Answer 1

这是我的解决方案。这个想法是语音字母可以有一个 unicode 表示，然后:

使用 Unicode包裹;它提供功能 Unicode_alphabetic_tokenizer那:

Tokenization first replaces the elements of x by their Unicode character sequences. Then, the non- alphabetic characters (i.e., the ones which do not have the Alphabetic property) are replaced by blanks, and the corresponding strings are split according to the blanks.

在此之后我使用了 nchar但是因为将它拆分为前一个函数的两个子字符串，我使用了 sum .

sum(nchar(Unicode_alphabetic_tokenizer(x)))
[1] 4

我相信这个包在这种情况下非常有用，但我不是专家，我不知道我的解决方案是否适用于所有涉及语音字母的问题。也许其他示例可能有助于说明我的解决方案的有效性。

它运作良好

这是另一个例子:

> x <- "e̯ ʊ̯"
> x
[1] "e̯ ʊ̯"
> nchar(x)
[1] 5
> sum(nchar(Unicode_alphabetic_tokenizer(x)))
[1] 2

附言
只有一个 "在代码中但复制和粘贴它，第二个出现。我不知道为什么会发生这种情况。