Rでの日本語のかな・カナ・ローマ字・漢字のあいだでの変換
この記事について
Rでの日本語のかな・カナ・ローマ字・漢字のあいだでの変換の方法を紹介する。なお、ここで紹介している変換はいずれもvectorizeされているので、例として与えている"カッターを買ったうれしかった"という入力をc("カッターを買ったうれしかった", "竹やぶ焼けた")のような長さが2以上のベクトルに置き換えても問題ない。
かなとカナのあいだでの変換
簡単な変換はstringi::stri_trans_general()で実現できる。stringi::stri_trans_list()とするとstringi::stri_trans_general()で指定できる変換の一覧が見れるが、750件くらいあるわりにほとんどの変換は日本語とは無関係なため、とくにがんばって確認する必要はない。
stringi::stri_trans_general("カッターを買ったうれしかった", "Kana-Hira")
#> [1] "かったあを買ったうれしかった"
stringi::stri_trans_general("カッターを買ったうれしかった", "Hira-Kana")
#> [1] "カッターヲ買ッタウレシカッタ"
このあたりはzipangu::str_conv_*という名前のラッパーを利用できるので、変換先を覚えていなくてもなんとなく使える。
かな・カナからローマ字への変換
かな・カナ文字は次のようにしてローマ字に変換できる。
stringi::stri_trans_general("カッターを買ったうれしかった", "Hira-Latn")
#> [1] "カッタ̄wo買ttaureshikatta"
stringi::stri_trans_general("カッターを買ったうれしかった", "Kana-Latn")
#> [1] "kattāを買ったうれしかった"
stringi::stri_trans_general("カッターを買ったうれしかった", "Any-Latn")
#> [1] "kattāwo mǎittaureshikatta"
Any-Latnでは漢字も変換されるが、おそらく中国語読みになる。かな・カナ文字の部分のみを変換したい場合、次のようにするとヘボン式にできる。「ヘボン式は表音的であり、標準的日本語では発音上区別されない「じ・ぢ」「ず・づ」「お・を」などを書き分けない」（Wikipediaより）点に注意。
stringi::stri_trans_general("カッターを買ったうれしかった", "ja_Hrkt-ja_Latn/BGN")
#> [1] "kattāo買ttaureshikatta"
「を」は「wo」になってほしいといった場合には、audubon::strj_romanize(config = "traditional hepburn")を使うとよい。この関数ではconfig引数から他のいくつかの表記法も選べるのだが、いずれの変換においても漢字などは変換時に無視され、結果には表示されない。
audubon::strj_romanize("カッターを買ったうれしかった", config = "traditional hepburn")
#> [1] "kattāwottaureshikatta"
漢字混じりからカナへの変換
次のようにしてかなやカナに変換できるが、これだと漢字は変換されない。
stringi::stri_trans_general("カッターを買ったうれしかった", "Any-Hira")
#> [1] "かったあを買ったうれしかった"
stringi::stri_trans_general("カッターを買ったうれしかった", "Any-Kana")
#> [1] "カッターヲ買ッタウレシカッタ"
とりあえず全部カナにしたいという場合には、固有名詞を含まないような一般的な文であれば、MeCabで読みを取ると手軽に実現できる。
kana <-
gibasa::tokenize("カッターを買ったうれしかった") |>
gibasa::prettify(col_select = "Yomi1") |>
gibasa::pack(Yomi1, .collapse = "") |>
dplyr::pull(text)
kana
#> [1] "カッターヲカッタウレシカッタ"
この結果は漢字を含まないので、次のようにローマ字に変換できる。
stringi::stri_trans_general(kana, "Any-Latn")
#> [1] "kattāwokattaureshikatta"
ローマ字からかな・カナへの変換
こんなことをしたいシーンはない気がするが、いちおうできる。
stringi::stri_trans_general("kattāwokattaureshikatta", "Latn-Hira")
#> [1] "かったあをかったうれしかった"
stringi::stri_trans_general("kattāwokattaureshikatta", "Latn-Kana")
#> [1] "カッターヲカッタウレシカッタ"
また、たとえば「katta-wokattauresikatta」のような表記からかなにしたい場合には、次のようにして実現できる。ただし、ここでビルドしている辞書はいわゆる「ローマ字入力」の仕方を網羅しているわけではないので、一部は正しく変換できない。
temp_dir <- tempdir()
gibasa::build_sys_dic(
dic_dir = system.file("latin", package = "gibasa"),
out_dir = temp_dir,
encoding = "utf8"
)
file.copy(
system.file("latin/dicrc", package = "gibasa"),
temp_dir
)
#> [1] TRUE
gibasa::tokenize("katta-wokattauresikatta", sys_dic = temp_dir) |>
gibasa::pack(feature, .collapse = "") |>
dplyr::pull(text)
#> [1] "かったーをかったうれしかった"
かなから漢字交じりへの変換
できらぁ！
if (!requireNamespace("kelpbeds", quietly = TRUE)) {
install.packages("kelpbeds", repos = c("https://paithiov909.r-universe.dev", "https://cran.r-project.org"))
}
temp_dir <- kelpbeds::prep_skkserv(dic_dir = tempdir())
gibasa::build_sys_dic(
dic_dir = temp_dir,
out_dir = temp_dir,
encoding = "utf8"
)
gibasa::tokenize("かったーをかったうれしかった", sys_dic = temp_dir) |>
gibasa::pack(feature, .collapse = "") |>
dplyr::pull(text)
#> [1] "カッターを買ったうれしかった"
これはmecab-skkservという古いプログラムに付いていた辞書を使って変換したもの。さすがに古すぎるのと、gibasaはN-best解を取れないので、変換候補を複数出力するということができないため、それほど便利ではないかもしれない。
Discussion