كيفية إزالة علامات الدولار في لغة R (مع أمثلة)

تُعد معالجة البيانات وتنظيفها من الركائز الأساسية التي يقوم عليها علم البيانات الحديث، حيث تشير الدراسات الإحصائية إلى أن علماء البيانات يقضون ما يقارب 80% من وقتهم في إعداد وتجهيز البيانات الخام قبل البدء في النمذجة والتحليل التنبؤي. وفي سياق التحليلات المالية والتجارية، تشكل مجموعات البيانات الرقمية العمود الفقري لصنع القرارات الاستراتيجية؛ غير أن هذه البيانات نادراً ما تصل بصيغة رقمية نقية جاهزة للحوسبة المباشرة. فغالباً ما تحتوي الجداول المستوردة من قواعد البيانات المحاسبية، وتطبيقات التجارة الإلكترونية، وجداول البيانات المجدولة مثل Microsoft Excel و Google Sheets، على رموز وتنسيقات مرئية مضافة لتسهيل القراءة البشرية، وفي مقدمتها رمز العملة الأكثر شيوعاً: علامة الدولار ($)، إلى جانب فواصل الآلاف والأقواس المحاسبية.

في بيئة الحوسبة الإحصائية لغة R، يمثل وجود علامة الدولار داخل الأعمدة المالية عقبة هيكلية تحول دون تنفيذ العمليات الرياضية والدوال الإحصائية. فالنظام الصارم للأنماط (Type System) في لغة R يتعامل مع أي متجه يحتوي على رمز غير رقمي باعتباره سلسلة نصية (Character)، مما يُعطّل العمليات الحسابية مثل الجمع، وحساب المتوسطات، وتطبيق النماذج الاقتصادية القياسية. علاوة على ذلك، فإن التعامل مع علامة الدولار برمجياً يفرض تحدياً إضافياً بسبب الدور المزدوج لهذا الرمز؛ إذ يُعد محرفاً خاصاً (Metacharacter) ومحجوزاً في محركات التعابير النمطية (Regular Expressions) وله وظيفة دلالية تشير إلى نهاية السلسلة النصية، بالإضافة إلى استخدامه في R الأصلية لاستخراج المتغيرات من إطارات البيانات.

يهدف هذا الدليل الأكاديمي الشامل والموسع إلى تفكيك مشكلة إزالة علامات الدولار والرموز المالية في لغة R من جذورها المفاهيمية إلى مستوياتها التطبيقية المتقدمة. سنستعرض عبر هذا الدليل التقني المبادئ الرياضية والبرمجية لمعالجة النصوص، واستخدام دوال R الأساسية (Base R)، وتوظيف منظومة Tidyverse الحديثة بما فيها حزم stringr و readr، والتعامل مع البيانات الضخمة فائقة الأداء عبر data.table، وصولاً إلى معالجة الحالات المعقدة مثل الأقواس المحاسبية وتعدد العملات. سيتم تزويد كل محور بأمثلة برمجية توضيحية، وشروحات تحليلية دقيقة تضمن تمكين الباحثين ومحللي البيانات من بناء خطوط أنابيب (Data Pipelines) قوية ومستقرة لمعالجة البيانات المالية بأعلى درجات الكفاءة والموثوقية الحسابية.

1. المفاهيم التأسيسية لمعالجة البيانات النصية والرموز المالية في لغة R

1.1 طبيعة البيانات المالية وتحديات التنسيق النصي

تتسم البيانات المالية الواردة من بيئات الأعمال بتصميم بصري يستهدف بالأساس تسهيل الإدراك البشري بدلاً من مراعاة الكفاءة الحوسبية للآلات. عندما يُصدر نظام الفوترة أو قاعدة البيانات تقريراً مالياً، فإنه يقوم تلقائياً بحقن رموز التنسيق الإقليمية؛ مثل علامة الدولار ($) لتحديد العملة، والفواصل (Commas) للفصل بين خانات الآلاف، والنقاط لتمييز الكسور العشرية. بالرغم من أن هذا التنسيق يُعد مثالياً للتقارير التنفيذية والعروض المرئية، إلا أنه يمثل إشكالية هيكلية عند استيراد هذه الملفات عبر صيغ مثل CSV أو TSV أو ملفات Excel إلى بيئة التحليل الإحصائي في R.

عند قراءة ملف بيانات يحتوي على عمود مركب كـ “$12,450.75″، تفشل دوال الاستيراد القياسية في التعرف على هذا الإدخال كرقم، مما يدفع المحرك الداخلي للغة R إلى قراءة العمود كمتجه نصي كامل (Character Vector). هذا التوصيف التلقائي ينقل المتغير من الحقل الرياضي إلى الحقل النصي، مما يحظر تماماً تطبيق الدوال الرياضية الأساسية، ويحول دون احتساب الانحرافات المعيارية، أو تقدير معاملات الانحدار الخطي، أو حتى إنشاء الرسوم البيانية المتصلة.

تبرز هنا ضرورة تطبيق مرحلة “التجريد والتنظيف المالي” (Financial Data Sanitization)، وهي عملية فصل القيمة الرقمية الخالصة (Scalar/Numeric Value) عن سماتها الوصفية والتنسيقية. يجب على المحلل أن يدرك التمييز الجوهري بين طبقة “عرض البيانات” (Data Presentation Layer) وطبقة “حوسبة ونمذجة البيانات” (Data Computation Layer)؛ فالأولى تهدف إلى التواصل مع الجمهور عبر الرموز التوضيحية، بينما تتطلب الثانية أرقاماً صافية خالية من أي شوائب محرفية لضمان الدقة التحليلية الصارمة.

1.2 بنية السلاسل النصية ونظام الأنواع في لغة R

تمتلك لغة R نظاماً قوياً لتعريف أنواع البيانات، حيث تُقسم المتجهات الذرية (Atomic Vectors) إلى أنماط أساسية تشمل: المنطقية (logical)، العددية الصحيحة (integer)، العددية العشرية (double/numeric)، والنصية (character). القاعدة الصارمة في هذا النظام هي أن المتجه الذري الواحد لا يمكن أن يجمع بين أكثر من نوع؛ وإذا وُجد عنصر نصي واحد فقط داخل متجه يحتوي على آلاف الأرقام، فإن R تُجري عملية “تحويل قسري ضمني” (Implicit Coercion)، محولة المتجه بأكمله إلى النمط النصي لحماية تجانس البنية التخزينية.

تاريخياً، ارتبطت هذه الإشكالية بسلوك المعامل stringsAsFactors أثناء استيراد البيانات في إصدارات R السابقة (قبل الإصدار 4.0.0)، حيث كانت النصوص تُحوّل تلقائياً إلى عوامل تصنيفية (Factors)، مما يزيد من تعقيد التجريد، إذ يتطلب أولاً تحويل العامل إلى نص صريح، ثم إزالة الرمز المالي، ثم التحويل إلى عدد. على الرغم من أن الإصدارات الحديثة جعلت المتجهات النصية هي السلوك الافتراضي، فإن مجرد بقاء الرمز المالي يمنع دوال التجميع مثل sum() و mean() و median() من العمل، مسببة ظهور أخطاء من قبيل: “Error in sum(df$sales) : invalid ‘type’ (character) of argument”.

وعند محاولة تجاوز هذا الخطأ بإجراء تحويل قسري مباشر باستخدام دالة as.numeric() دون تنظيف الرموز أولاً، يقع الخطأ الجسيم المعروف باسم التوليد القسري للقيم المفقودة: “NAs introduced by coercion”. في هذه الحالة، تفشل R في فهم كيفية ترجمة رمز الدولار إلى مكافئ عددي، فتستبدل القيمة المالية الأصلية بالقيمة المفقودة (NA)، مما يتسبب في تدمير البيانات وفقدان المعلومات الحيوية ما لم يتم التدخل المعياري لتجريد المحارف النصية بدقة متناهية.

2. التعابير النمطية (Regular Expressions) وإشكالية الرمز الخاص للدولار

2.1 الدلالة الخاصة لرمز الدولار في محركات Regex

لفهم الآلية البرمجية المتبعة في إزالة علامة الدولار، يجب الغوص في البنية التركيبية لمحركات التعابير النمطية (Regular Expressions – Regex) المدعومة في لغة R. في لغة Regex القياسية، تُقسم المحارف إلى فئتين: محارف حرفية (Literal Characters) تمثل نفسها تماماً، ومحارف وظيفية مشفرة تُعرف باسم “المحارف الفوقية” (Metacharacters). تحتل علامة الدولار ($) مكانة وظيفية حاسمة في هذا السياق، إذ تمثل “محدد نهاية السطر أو السلسلة” (End-of-String Anchor).

عندما يُطلب من محرك البحث النصي العثور على النمط “$” دون تخصيص إضافي، فإنه لا يبحث عن الرمز المرئي للدولار، بل يطابق النقطة الزمنية والمكانية التي ينتهي عندها النص. ومن هنا تنبع الإشكالية التقنية؛ إذ إن استبدال هذا النمط مباشرة بسلسلة فارغة سيؤدي إلى استبدال لاغٍ أو نتائج غير متوقعة دون المساس برمز الدولار الفعلي الموجود في بداية الأرقام. للتغلب على هذه المعضلة الدلالية، تفرض هندسة البرمجيات تطبيق مبدأ “الهروب البرمجي” (Character Escaping).

يتطلب الهروب البرمجي وضع شرطة مائلة عكسية (Backslash) تسبق المحرف الخاص لإلغاء دلالته الوظيفية وإعادته إلى دلالته الحرفية المجردة. وبما أن الشرطة المائلة العكسية نفسها تُعد محرف هروب داخل السلاسل النصية في بيئة R الأساسية، فإن تمريرها إلى محرك Regex يتطلب استخدام شرطة مائلة مزدوجة "\$". الهروب الأول يخبر مفسر لغة R بأن الشرطة المائلة التالية هي محرف حقيقي، بينما يخبر الهروب الثاني محرك التعابير النمطية بمعالجة علامة الدولار كرمز حرفي مراد حذفه أو استبداله. البديل المباشر لذلك في الدوال الأساسية هو تفعيل خيار المطابقة الحرفية الصريحة fixed = TRUE، والذي يوقف تشغيل محرك Regex ويعالج السلسلة كما هي حرفياً.

2.2 قواعد بناء فئات المحارف (Character Classes) للرموز المركبة

نادراً ما تأتي القيم المالية محتوية على علامة الدولار منفردة؛ إذ تصاحبها في الغالب علامات ترقيم مكملة مثل فواصل الآلاف (,) والمسافات البيضاء والرموز الإضافية. لمطابقة هذه التشكيلة المتنوعة من المحارف في مسار حوسبي واحد دون استدعاء دوال متعددة بصورة متكررة، يتم الاعتماد على بناء ما يُعرف باسم “فئات المحارف” (Character Classes) باستخدام الأقواس المربعة [ ].

تُعرّف فئة المحارف مجموعة من الرموز يُعتبر العثور على أي منها بمثابة مطابقة ناجحة للنمط. على سبيل المثال، فإن التعبير النمطي "[\$,]" يوجه محرك المطابقة للبحث عن كل ظهور لرمز الدولار أو الفاصلة العادية على حدة داخل السلسلة النصية المستهدفة. ومن المزايا التركيبية لفئات المحارف أن بعض الرموز الخاصة تفقد دلالتها الوظيفية الحصرية بمجرد وضعها داخل الأقواس المربعة في بعض محركات Regex، ومع ذلك يظل استخدام الهروب المزدوج \$ هو الممارسة الأكثر أماناً وقابلية للنقل عبر مختلف المنصات البرمجية.

إلى جانب ذلك، يمكن توسيع الفئة لتشمل المسافات البيضاء والرموز الهامشية عبر إضافة الرمز الممثل للمسافات \s، أو صياغة فئات تشمل رموز العملات الأخرى مثل اليورو والإسترليني. يتيح هذا التصميم البنائي المعياري كتابة أنماط موحدة، عالية الأداء، وقادرة على تنظيف المتجهات النصية المعقدة في دورة معالجة حوسبية واحدة، مما يقلل من العبء المخصص لمعالجة السلاسل في الذاكرة الحية للجهاز.

3. الاستخدام الأساسي لدالة gsub() لإزالة علامة الدولار الفردية

3.1 آلية عمل دالة gsub() ومعاملاتها الأساسية

تمثل دالة gsub() الركيزة الأساسية للمعالجة النصية الشاملة في حزمة لغة R الأساسية (Base R). يرجع اسم الدالة إلى اختصار “Global Substitution”، وهي مصممة للبحث عن جميع التكرارات لنمط محدد واستبدالها بنص بديل عبر متجه نصي كامل. تتميز هذه الدالة بكفاءتها العالية لكونها مكتوبة بلغة C المنخفضة المستوى، مما يمنحها سرعة استثنائية في تنفيذ العمليات المتجهية (Vectorized Operations).

تعتمد الدالة على ثلاثة معاملات رئيسية:

• pattern: وهو النمط المراد البحث عنه، ويقبل تعابير نمطية قياسية (مثل "\$") أو نصوصاً حرفية.
• replacement: السلسلة النصية البديلة التي ستحل محل النمط المطابق، وتُمرر كسلسلة فارغة "" عند الرغبة في الحذف التام.
• x: المتجه النصي المستهدف الخاضع لعملية الفحص والتعديل.

من الضروري التمييز التقني بين دالة gsub() وشقيقتها sub()؛ فالأخيرة تقوم باستبدال “الظهور الأول فقط” للنمط في كل عنصر من عناصر المتجه، ثم تتوقف عن المسح، بينما تستمر gsub() في فحص السلسلة النصية حتى نهايتها لضمان استبدال كافة التكرارات. وبالرغم من أن علامة العملة تظهر عادة مرة واحدة في بداية القيمة المالية، فإن استخدام gsub() يُعد المعيار المفضل هندسياً لضمان تنظيف الشوائب التكرارية والأخطاء المطبعية التي قد تقع داخل مجموعات البيانات غير المتجانسة.

3.2 التطبيق العملي على متجهات وأعمدة إطارات البيانات

لتوضيح التطبيق الإجرائي، نفترض وجود إطار بيانات (Data Frame) يُدعى df، يحتوي على عمود الإيرادات sales المصنف كمتجه نصي على النحو التالي: c("$100.50", "$250.00", "$75.25"). للبدء في تجريد هذه العلامات، يتم تنفيذ المسار البرمجي المباشر:

df$sales_clean <- gsub("\$", "", df$sales)

خلال تنفيذ هذا الأمر، يقوم المحرك بالمرور المتجهي على كل عنصر، والتعرف على رمز الدولار بفضل التعبير المهروب \$، ثم إزالته واستبداله بلا شيء. النتيجة المباشرة لهذه الخطوة هي الحصول على متجه نصي جديد يحتوي على: c("100.50", "250.00", "75.25"). نلاحظ هنا أن النقطة الفاصلة للكسور العشرية بقيت سليمة تماماً دون أن يمسها التعديل، وهو أمر بالغ الأهمية للحفاظ على دقة الأجزاء من المئة في العمليات المحاسبية.

بدلاً من ذلك، يمكن استخدام وسيط المطابقة الثابتة عبر الصيغة التالية لتحقيق النتيجة ذاتها بكفاءة مماثلة:

df$sales_clean <- gsub("$", "", df$sales, fixed = TRUE)

في هذه الصيغة البديلة، تم إلغاء تفعيل محرك Regex من خلال fixed = TRUE، مما جعل R تتعامل مع الرمز كرمز مرئي بحت دون الحاجة إلى الشرطات المائلة العكسية، مما يمنع الأخطاء التركيبية ويقدم حلاً برمجياً واضحاً وسهل القراءة.

4. إزالة علامات الدولار والفواصل المكانية في العمليات المركبة

4.1 معالجة القيم المالية الكبيرة المحتوية على فواصل الآلاف

في مجموعات البيانات المالية الواقعية، نادراً ما تقتصر القيم على أرقام مئوية بسيطة؛ إذ تتضمن الأرقام الكبرى فواصل تفصل بين مجموعات الآلاف والملايين (مثل: “$1,500,000.00”). إذا تم الاكتفاء بإزالة علامة الدولار وحدها، فإن السلسلة النصية الناتجة ستكون “1,500,000.00”، وعند محاولة تحويل هذه السلسلة مباشرة إلى قيمة عددية، سيفشل التحويل حتماً وستتحول القيمة إلى NA لأن الفاصلة تُعتبر محرفاً غير صالح في المتجهات الرقمية داخل البيئات الإنجليزية القياسية.

لمعالجة هذه المعضلة المركبة، يمكن تطبيق إحدى استراتيجيتين في R الأساسية:

• الاستبدال المتسلسل (Chained Substitution): تنفيذ دالتين متتاليتين من gsub()؛ الأولى لحذف رمز العملة، والثانية لحذف الفاصلة:
  
  df$clean <- gsub(",", "", gsub("\$", "", df$raw_values))
• الاستبدال الموحد بفئات المحارف (Character Class Regex): وهو الحل الأفضل أداءً وتماسكاً، حيث يتم استهداف المحرفين معاً في استدعاء فردي للدالة:
  
  df$clean <- gsub("[\$,]", "", df$raw_values)

يوفر استخدام النمط الموحد "[\$,]" سرعة معالجة حوسبية تفوق الاستبدال المتسلسل بمرتين تقريباً، نظراً لأنه يمر عبر المتجه النصي في مسار قراءة واحد (Single Pass Scanning) بدلاً من إنشاء نسختين مؤقتتين في الذاكرة العشوائية للجهاز، وهو ما يُعد عاملاً حاسماً عند التعامل مع جداول تحتوي على ملايين السجلات المالية.

4.2 التعامل مع المسافات البيضاء والرموز الإضافية المرافقة

تنشأ تحديات إضافية عند احتواء السلاسل النصية على مسافات بيضاء غير منتظمة، سواء كانت مسافات بادئة (Leading Whitespaces)، أو فاصلة بين الرمز والرقم (مثل: “$ 450.00”)، أو مسافات لاحقة (Trailing Whitespaces). بالإضافة إلى ذلك، قد تتضمن البيانات اختصارات العملة الدولية مدمجة مع الرمز المالي، مثل “USD $500.00”.

لضمان تجريد المتجه من كافة الشوائب المحيطة، يمكن دمج محدد المسافات البيضاء \s ومحددات التكرار داخل التعبير النمطي. فمثلاً، لحذف رمز الدولار والمسافات التابعة له مباشرة، يمكن استخدام النمط التالي:

df$clean <- gsub("\$\s*", "", df$raw_values)

حيث يضمن الرمز \s* حذف أي عدد من المسافات البيضاء المتتالية التي تلي علامة الدولار مباشرة. علاوة على ذلك، يُنصح بتطبيق دالة trimws() كإجراء تكاملي وقائي بعد استبدال الرموز الخاصة لإزالة أي مسافات طرفية متبقية:

df$clean <- trimws(gsub("[\$,]", "", df$raw_values))

يضمن هذا البروتوكول التكاملي تنقية المتجه النصي وحصره بدقة على المحارف الصالحة حوسبياً، والمتمثلة فقط في الأرقام الإنجليزية (0-9) والنقطة الفاصلة للكسور العشرية، مع الاحتفاظ بعلامة الإشارة السالبة إن وجدت.

5. التحويل النوعي للبيانات من سلاسل نصية إلى متغيرات عددية

5.1 تطبيق دالة as.numeric() ومخاطر التحويل غير المكتمل

يمثل تجريد السلاسل النصية من علامات الدولار والفواصل مرحلة تمهيدية؛ إذ تظل المخرجات مصنفة كنصوص (Character) غير قابلة للحساب. لتحويل هذه البيانات المنظفة إلى مصفوفات ومتجهات رقمية صالحة للنمذجة، يتم استخدام الدالة التحويلية as.numeric() أو نظيرتها as.double().

يمكن دمج عملية التنظيف والتحويل في سطر تنفيذي واحد لتحقيق أقصى درجات الانسيابية البرمجية:

df$numeric_sales <- as.numeric(gsub("[\$,]", "", df$raw_sales))

خلال هذه العملية، من الأهمية بمكان مراقبة وحدة التحكم (Console) لملاحظة أي رسائل تحذيرية؛ فالتحذير الشهير “Warning: NAs introduced by coercion” يدل دلالة قطعية على وجود قيم شاذة داخل المتجه لم ينجح التعبير النمطي في تنظيفها بالكامل. قد تكون هذه القيم نصوصاً تعبيرية مثل “Free”، أو أخطاء إدخال مثل تكرار النقطة العشرية (e.g. “12.50.20”)، أو وجود رموز غير متوقعة كعلامات الاستفهام.

للتحقق من سلامة التحويل ونجاحه، يجب فحص النمط الداخلي للمتجه الناتج باستخدام الدوال التشخيصية القياسية:

• class(df$numeric_sales) للتأكد من أن الفئة أصبحت “numeric”.
• typeof(df$numeric_sales) للتحقق من التخزين كأرقام عشرية دقيقة بنظام النقطة العائمة المزدوجة “double”.
• is.numeric(df$numeric_sales) كاختبار منطقي يعيد القيمة TRUE.

5.2 التعامل مع القيم المفقودة والصيغ غير القياسية أثناء التحويل

في بيئات البيانات الواقعية، تحتوي السجلات المالية عادة على مدخلات غير قياسية لتمثيل انعدام القيمة؛ مثل النصوص الصريحة “N/A” أو “None” أو “NULL” أو الخطوط الأفقية “-” أو السلاسل النصية الفارغة تماماً "". عند تطبيق دالة gsub() على هذه القيم، قد تظل النصوص كما هي، مما يسبب تحويلها التلقائي إلى NA عند استدعاء as.numeric().

على الرغم من أن تحويل النصوص الشاذة إلى NA قد يكون سلوكاً مرغوباً في كثير من الأحيان، إلا أن الخطر يكمن في عدم قدرة المحلل على التمييز بين القيم التي كانت مفقودة أصلاً في البيانات المصدرية، وتلك التي فُقدت نتيجة خطأ في كتابة التعبير النمطي. لذلك، يقتضي بروتوكول هندسة البيانات تنفيذ فحص قبلي وبعدي باتباع الخطوات التالية:

1. حصر عدد ومواقع القيم المفقودة الأصلية باستخدام sum(is.na(df$raw_sales)).
2. تحديد القيم النصية الشاذة غير الرقمية عبر تصفية السجلات التي لا تطابق الأنماط القياسية.
3. توحيد تمثيل القيم الفارغة مسبقاً بتحويل الصيغ مثل “N/A” و “-” صراحة إلى NA_character_.
4. تنفيذ عملية التجريد والتحويل العددي.
5. إعادة حساب sum(is.na(df$numeric_sales))؛ فإذا زاد عدد القيم المفقودة عن المجموع الأولي مضافاً إليه القيم الشاذة المعروفة، دل ذلك على وجود خلل في التعبير النمطي يتطلب المراجعة الفورية قبل المضي قدماً في التحليل.

6. إزالة علامات الدولار باستخدام منظومة Tidyverse ومكتبة stringr

6.1 توظيف دوال مكتبة stringr في المعالجة النصية المتسقة

توفر منظومة حزمة stringr، والتي طورها هادلي ويكهام (Hadley Wickham) وفريقه، واجهة برمجية حديثة ومتسقة للغاية لمعالجة السلاسل النصية في لغة R. تبدأ جميع دوال المكتبة بالسابقة str_، وتأخذ دائماً المتجه النصي كمعامل أول، مما يجعلها متوافقة بصورة مثالية مع عمليات الربط عبر الأنابيب البرمجية (Pipes).

لإزالة علامات الدولار والرموز المصاحبة، توفر stringr دالتين أساسيتين:

• دالة str_replace_all(): وتعمل كبديل مباشر وأكثر وضوحاً لدالة gsub():
  
  str_replace_all(df$sales, "\$", "")
• دالة str_remove_all(): وهي دالة متخصصة دلالياً للحذف؛ إذ تفترض ضمنياً أن النص البديل هو سلسلة فارغة ""، مما يجعل الكود أكثر إيجازاً وقابلية للقراءة:
  
  str_remove_all(df$sales, "[\$,]")

تتميز حزمة stringr بتوفيرها دوال تغليف وظيفية للمحارف مثل fixed()، والتي تسمح بتحديد النصوص الحرفية بدقة دون الحاجة للتعامل مع الهروب البرمجي، مثل:

str_remove_all(df$sales, fixed("$"))

هذا النمط البرمجي يقلل من احتمالية وقوع الأخطاء التركيبية، ويوحد رسائل التحذير والخطأ عبر منصات التشغيل المختلفة بفضل اعتماد stringr الداخلي على مكتبة C المعروفة باسم ICU (International Components for Unicode).

6.2 دمج عمليات التنظيف داخل أنابيب dplyr ومجموعات mutate

تتجلى القوة الحقيقية لحزمة stringr عند دمجها داخل خطوط أنابيب حزمة dplyr باستخدام مشغل الأنبوب الأصلي |> أو مشغل التمرير %>%. يتيح هذا الدمج كتابة كود معالجة متدفق، وصفي، وسهل الصيانة والتطوير.

فيما يلي مثال تطبيقي على مسار عمل لتنظيف عمود مالي داخل إطار بيانات:

library(dplyr)
library(stringr)

cleaned_df <- raw_df |>
  mutate(
    sales_clean = sales |>
      str_remove_all("[\$,]") |>
      str_trim() |>
      as.numeric()
  )

وعند الرغبة في تطبيق هذا التنظيف المتكامل على عدة أعمدة مالية في وقت واحد (مثل: المبيعات، التكاليف، الأرباح، الضرائب)، توفر dplyr الدالة الوظيفية الشاملة across() لتفادي التكرار:

cleaned_df <- raw_df |>
  mutate(
    across(
      c(sales, costs, profit),
      ~ as.numeric(str_remove_all(.x, "[\$,]"))
    )
  )

يحقق هذا الأسلوب مبدأ البرمجة غير المكررة (DRY – Don’t Repeat Yourself)، ويضمن تطبيق قواعد التحويل والتنظيف بصورة موحدة عبر كافة المتغيرات المالية في المشروع دون أي تباين إجرائي.

7. الاستفادة من حزم القراءة والتنظيف المتخصصة (readr و scales)

7.1 التحليل المالي المباشر عبر دالة parse_number() في حزمة readr

تمثل دالة parse_number() التابعة لحزمة readr الحل الهندسي الأكثر تطوراً واختصاراً لاستخراج الأرقام من النصوص المالية. بُنيت فلسفة هذه الدالة على منطق استخلاص القيم الرقمية مباشرة وتجاهل كل ما عداها من نصوص وحروف ورموز عملات وفواصل بصورة ذكية وتلقائية دون إلزام المستخدم بكتابة أي تعابير نمطية يدوية.

عند تمرير متجه نصي مثل c("$1,250.50", "Price:$45.00", "$99.99 USD") إلى دالة parse_number()، فإنها تُجري العمليات التالية في خطوة واحدة:

1. تحديد موقع الأرقام والنقاط العشرية داخل كل عنصر.
2. إسقاط علامات العملات ($، €، £) والكلمات النصية المصاحبة.
3. معالجة وتجريد فواصل الآلاف تلقائياً وفقاً للإعدادات الإقليمية.
4. إعادة المتجه المحول مباشرة كنوع رقمي عشري (Double) عالي الدقة.

library(readr)
numeric_vector <- parse_number(c("$1,250.50", "$3,400.00", "$12.99"))

علاوة على ذلك، تدعم parse_number() التنسيقات المالية الدولية غير الإنجليزية؛ ففي بعض الدول الأوروبية تُستخدم الفاصلة لتمييز الكسور العشرية والنقطة لتمييز الآلاف (مثل: “1.250,50 $”). يمكن ضبط ذلك بسهولة فائقة عبر معامل البيئة الإقليمية locale:

parse_number("1.250,50 $", locale = locale(decimal_mark = ",", grouping_mark = "."))

يجعل هذا التكيف المرن من parse_number() الأداة القياسية المفضلة في مهام استيراد ومعالجة البيانات المالية العالمية.

7.2 إدارة تنسيقات العملات المتقدمة باستخدام حزمة scales

بينما تُعنى الدوال السابقة بتجريد الرموز لأغراض المعالجة والتحليل، تبرز الحاجة العكسية أثناء مرحلة إعداد التقارير وتصدير المخرجات الرسومية إلى إعادة إضافة الرموز المالية وتنسيق الأرقام لتسهيل العرض. تُعد حزمة scales المعيار الأساسي لهذه المهمة داخل منظومة R الرسومية، ولا سيما مع حزمة ggplot2.

توفر حزمة scales دوال تنسيق متقدمة مثل dollar() و label_dollar()، والتي تتيح التحكم الدقيق في عدد الخانات العشرية، وموضع الرمز، وتنسيق القيم السالبة:

library(scales)
formatted_sales <- dollar(c(1250.5, 3400, -500.75), accuracy = 0.01)

من خلال الجمع بين أدوات التجريد الرقمي (مثل readr::parse_number) في بداية خط الأنابيب البرمجي، وأدوات التنسيق البصري (مثل scales::dollar) في مرحلة التقرير النهائي، يتحقق الفصل المعماري التام بين طبقة المعالجة الحسابية وطبقة التمثيل المرئي، مما يضمن أقصى درجات الموثوقية وقابلية تكرار التجارب الحسابية (Reproducibility).

8. معالجة الأعمدة المتعددة وإطارات البيانات الضخمة (Bulk Processing)

8.1 أتمتة التنظيف عبر دوال عائلة Apply في R الأساسية

عند التعامل مع إطارات بيانات محاسبية واسعة النطاق تتضمن عشرات الأعمدة النقدية، يصبح تعديل كل عمود بصورة منفردة عملاً غير فعال وعرضة للأخطاء البرمجية. في بيئة R الأساسية، توفر عائلة دوال apply الآلية الوظيفية المثالية لأتمتة هذه المعالجة الجماعية عبر المتجهات.

يمكن صياغة دالة تنظيف مخصصة تدمج إزالة الرموز والتحويل العددي، ثم تطبيقها باستخدام lapply() أو sapply() على مجموعة فرعية من الأعمدة المحددة:

clean_currency <- function(column) {
  as.numeric(gsub("[\$,]", "", column))
}

# تحديد الأعمدة المالية المستهدفة
target_cols <- c("revenue", "expenses", "tax", "net_profit")

# تطبيق الدالة عبر الأعمدة واستبدالها في إطار البيانات
df[target_cols] <- lapply(df[target_cols], clean_currency)

تضمن هذه الصياغة تنفيذ عمليات التجريد على كافة المتغيرات المحددة دفعة واحدة داخل بيئة C الأصلية دون استهلاك ذاكرة إضافية لإنشاء نسخ مكررة، مما يحافظ على كفاءة الذاكرة الحية للجهاز أثناء جلسات التحليل الطويلة.

8.2 المعالجة عالية الأداء باستخدام حزمة data.table

في بيئات البيانات الضخمة (Big Data) حيث تحتوي الجداول على عشرات الملايين من الصفوف وسجلات المعاملات المصرفية، يصبح الأداء واستهلاك الذاكرة أمرين حاسمين. تُعد حزمة data.table الحل الهندسي الرائد في R للمعالجة فائقة السرعة بفضل تقنية “التعديل الموضعي في الذاكرة” (Update by Reference) باستخدام المشغل :=.

بدلاً من نسخ البيانات لإنشاء أعمدة جديدة، تقوم data.table بتعديل الذاكرة مباشرة، مما يقضي على هدر الموارد. يوضح المثال التالي كيفية تنظيف وتجريد أعمدة مالية متعددة عبر الرمز الخاص .SD (Subset of Data) والمعامل .SDcols:

library(data.table)
setDT(large_df)

money_cols <- c("debit", "credit", "balance")

# التعديل الموضعي عالي السرعة
large_df[, (money_cols) := lapply(.SD, function(x) as.numeric(gsub("[\$,]", "", x))), .SDcols = money_cols]

تتفوق هذه الطريقة على كافة الحلول الأخرى في السرعة وكفاءة استهلاك الذاكرة العشوائية؛ حيث يتم تنفيذ المعالجة في أجزاء من الثانية حتى مع الجداول التي تتجاوز أحجامها عدة جيجابايت، مما يجعلها الخيار المعياري لمهندسي البيانات في القطاعات المصرفية وشركات التكنولوجيا المالية.

9. إدارة الحالات المعقدة: العملات السالبة والأقواس المحاسبية

9.1 معالجة التنسيق المحاسبي للقيم السالبة المحاطة بأقواس

يمثل التنسيق المحاسبي التقليدي للقيم السالبة أحد أكثر التحديات تعقيداً في تنظيف البيانات المالية. في علم المحاسبة القياسي، لا تُكتب الخسائر أو التدفقات النقدية الخارجة بإشارة سالبة صريحة (e.g. -$500.00)، بل يتم وضع الرقم بالكامل وعلامة العملة داخل قوسين دائريين: ($500.00) أو $(500.00).

إذا تم استخدام طرق التنظيف البسيطة السابقة بحذف علامة الدولار والأقواس دون معالجة دلالية، فسيتحول الرقم ($500.00) إلى القيمة الموجبة 500.00، وهو خطأ حسابي فادح يؤدي إلى عكس المؤشرات المالية وتشويه التحليلات الإحصائية تماماً.

لحل هذه المعضلة بدقة متناهية، يجب بناء خوارزمية تنظيف مخصصة تفحص وجود الأقواس، وتستبدلها بإشارة سالبة قبل تجريد بقية الرموز، كما هو موضح في الدالة المعيارية التالية:

clean_accounting_currency <- function(x) {
  # 1. إزالة المسافات البيضاء وعلامات الدولار وفواصل الآلاف
  x <- gsub("[\$, ]", "", x)
  # 2. مطابقة القيم المحاطة بأقواس واستبدالها بإشارة سالبة
  x <- gsub("^\((.*)\)$", "-\1", x)
  # 3. التحويل النهائي إلى قيمة عددية عشرية
  as.numeric(x)
}

في هذا التعبير النمطي المتقدم "^\((.*)\)$"، يتم التقاط الأرقام الموجودة بين القوسين عبر مجموعة الالتقاط (Capture Group (.*))، ثم إعادة حقنها مسبوقة بإشارة الناقص "-\1". يضمن هذا الإجراء تحويل القيمة المحاسبية ($1,200.50) إلى القيمة العددية الصحيحة رياضياً -1200.50 بدقة موثوقة.

9.2 التعامل مع رموز العملات المتعددة في العمود الواحد

في مجموعات البيانات المستخرجة من المنصات العالمية للتجارة الإلكترونية، قد يحتوي العمود المالي الواحد على معاملات بعملات دولية متنوعة وغير متجانسة؛ مثل احتواء العمود على قيم بالدولار الأمريكي ($)، واليورو (€)، والجنيه الإسترليني (£)، والين الياباني (¥). لا يمكن في هذه الحالة الاكتفاء بحذف الرموز وتحويل الأرقام مباشرة، لأن ذلك سيؤدي إلى مقارنة مبالغ ذات قدرات شرائية متباينة دون توحيد أسعار الصرف.

تتطلب أفضل الممارسات الهندسية في هذه الحالة تطبيق استراتيجية “الفصل والتوحيد” (Separate-and-Standardize) المكونة من خطوتين:

1. استخراج رمز العملة في متغير تصنيفي مستقل: باستخدام التعابير النمطية لاستخلاص الرمز أو كود العملة ووضعه في عمود جديد يُسمى currency_code.
2. تجريد القيمة العددية: تنظيف العمود الأصلي وتحويله إلى قيمة رقمية صافية.
3. تطبيق أسعار الصرف: ربط جدول أسعار الصرف المرجعي لإعادة تقييم كافة المبالغ إلى عملة موحدة (مثل الدولار الأساسي) عبر عملية ضرب حسابية مباشرة.

library(dplyr)
library(stringr)

standardized_df <- raw_df |>
  mutate(
    currency_symbol = str_extract(raw_amount, "[\$€£¥]"),
    amount_numeric = as.numeric(str_remove_all(raw_amount, "[\$€£¥, ]"))
  )

يحافظ هذا الإجراء المنهجي على سلامة المعنى الدلالي للبيانات المالية، ويمنع الخلط الكارثي بين العملات المختلفة أثناء التجميع الإحصائي أو النمذجة الاقتصادية القياسية.

10. مقارنة معيارية لكفاءة الأداء الحسابي بين الطرق المختلفة

10.1 قياس زمن التنفيذ باستخدام حزمة microbenchmark

عند بناء خطوط أنابيب لمعالجة البيانات الإنتاجية، تُعد الكفاءة الحسابية وزمن التنفيذ من المعايير الحاسمة في اختيار الأدوات البرمجية. لمقارنة كفاءة الطرق المختلفة التي استعرضناها في هذا الدليل، تم تصميم اختبار معياري دقيق باستخدام حزمة microbenchmark على متجه نصي مالي ضخم يحتوي على مليون سجل بصيغة "$1,450.75".

شمل الاختبار مقارنة الطرق الأربع الرئيسية التالية:

• الطريقة الأولى: gsub() مع محرك التعابير النمطية [\$,].
• الطريقة الثانية: gsub() المتسلسل مع خيار المطابقة الثابتة fixed = TRUE.
• الطريقة الثالثة: دالة str_remove_all() من حزمة stringr.
• الطريقة الرابعة: دالة parse_number() من حزمة readr.

أظهرت النتائج الإحصائية للاختبار ما يلي:

• حققت طريقة gsub(..., fixed = TRUE) المتسلسلة أسرع زمن تنفيذ بمتوسط زمن استجابة منخفض للغاية، نظراً لتجاوزها مرحلة تجميع وتحليل شجرة Regex والاعتماد على المطابقة الثنائية المباشرة في C.
• جاءت طريقة gsub() مع نمط الفئات [\$,] في المرتبة الثانية بكفاءة عالية جداً وتوازن ممتاز بين قصر الكود والسرعة.
• أظهرت دالة str_remove_all() أداءً متقارباً جداً بفضل تحسينات محرك C++ الأساسي في ICU، مع تميزها بأعلى درجات الوضوح التركيبي.
• استغرقت دالة parse_number() زمناً أطول نسبياً (حوالي 2 إلى 3 أضعاف مقارنة بـ Base R)، وهو ثمن متوقع للمنطق الاستدلالي الذكي الذي تقوم به تلقائياً في اكتشاف الإعدادات الإقليمية، والتحقق من صحة الأرقام، وإجراء التحويل العددي النهائي ضمنياً.

10.2 العوامل المؤثرة على سرعة معالجة النصوص في R

تتحكم عدة عوامل هيكلية في سرعة تنفيذ عمليات معالجة النصوص وتجريد الرموز المالية داخل لغة R:

• الترميز النصي (Character Encoding): تتطلب المتجهات المشفرة بترميزات متعددة أو غير متوافقة مع إعدادات النظام المحلية (مثل الخلط بين ASCII و UTF-8 و Windows-1256) وقتاً إضافياً لتحويل الترميز داخلياً قبل تطبيق المطابقة. يُنصح دائماً بتوحيد ترميز السلاسل إلى UTF-8 باستخدام enc2utf8() قبل المعالجة المكثفة.
• استدعاء محرك Regex مقابل المطابقة الحرفية: يؤدي تفعيل خيار fixed = TRUE عند البحث عن رمز مفرد إلى تسريع المعالجة بنسبة تصل إلى 40% مقارنة بالبحث عبر محركات التعابير النمطية الكاملة.
• إنشاء الكائنات في الذاكرة (Memory Allocation): يؤدي التعديل المباشر للأعمدة داخل data.table إلى تجنب عمليات تخصيص الذاكرة وجمع القمامة (Garbage Collection) المتكررة، مما ينعكس بشكل كبير على تحسين الأداء العام مع مجموعات البيانات الكبيرة.

11. أمثلة تطبيقية وحالات دراسية واقعية خطوة بخطوة

11.1 دراسة حالة 1: تنظيف جدول مبيعات متجر تجارة إلكترونية

في هذا التطبيق العملي المتكامل، نتناول جدول مبيعات مستخرجاً من منصة تجارة إلكترونية، يتضمن بيانات غير مهيأة للمنتجات، أسعار الوحدات، الكميات، وتكاليف الشحن مع وجود علامات الدولار وفواصل الآلاف ومسافات بيضاء غير منتظمة.

فيما يلي الخطوات الإجرائية الكاملة لتنظيف هذا الجدول باستخدام منظومة Tidyverse الحديثة:

# 1. إنشاء جدول البيانات التجريبي المحاكي للملفات الحقيقية
ecommerce_data <- data.frame(
  order_id = 101:105,
  product_name = c("Laptop Pro", "Wireless Mouse", "4K Monitor", "USB-C Cable", "Desk Chair"),
  unit_price = c("$1,299.99", "$ 25.50 ", "$450.00", "$12.00", "$ 199.95"),
  shipping_fee = c("$15.00", "Free", "$25.00", "$4.50", "$0.00"),
  stringsAsFactors = FALSE
)

# 2. بناء خط أنابيب التنظيف المتكامل
library(dplyr)
library(stringr)

cleaned_ecommerce <- ecommerce_data |>
  mutate(
    # تنظيف وتحويل سعر الوحدة
    unit_price_num = as.numeric(str_remove_all(unit_price, "[\$, ]")),
    # معالجة تكلفة الشحن واستبدال "Free" بصفر ثم التحويل العددي
    shipping_fee_clean = ifelse(shipping_fee == "Free", "$0.00", shipping_fee),
    shipping_fee_num = as.numeric(str_remove_all(shipping_fee_clean, "[\$, ]")),
    # حساب إجمالي المعاملة الحسابية بعد اكتمال التجريد
    total_order_value = unit_price_num + shipping_fee_num
  )

من خلال هذا المسار، تم تحويل جدول المبيعات بنجاح من هيئته النصية غير الصالحة للحساب إلى جدول تحليلي كامل؛ حيث أمكن حساب عمود إجمالي الطلب total_order_value رياضياً، واستخراج المؤشرات الإحصائية الإجمالية مثل متوسط قيمة الطلبات وإجمالي الإيرادات دون أي أخطاء برمجية.

11.2 دراسة حالة 2: معالجة بيانات التقارير المالية للشركات

في هذه الدراسة، نتناول حالة محاسبية متقدمة لقائمة الدخل السنوية لإحدى الشركات، حيث تحتوي البيانات على إيرادات إيجابية، وخسائر تشغيلية موضوعة بين أقواس محاسبية، ومصروفات مفصولة بآلاف الدولارات.

يوضح الكود التالي كيفية استيراد ومعالجة هذه القائمة وتجهيزها للرسم البياني التحليلي:

# 1. إعداد جدول القائمة المالية الخام
financial_report <- data.frame(
  quarter = c("Q1 2023", "Q2 2023", "Q3 2023", "Q4 2023"),
  gross_revenue = c("$1,500,000.00", "$1,850,000.00", "$1,200,000.00", "$2,100,000.00"),
  net_income = c("$250,000.00", "($120,000.00)", "$310,000.00", "($45,000.00)"),
  stringsAsFactors = FALSE
)

# 2. تطبيق دالة التنظيف المحاسبي الصارمة
clean_fin <- function(val) {
  val <- gsub("[\$, ]", "", val)
  val <- gsub("^\((.*)\)$", "-\1", val)
  as.numeric(val)
}

financial_report$gross_revenue_num <- clean_fin(financial_report$gross_revenue)
financial_report$net_income_num <- clean_fin(financial_report$net_income)

# 3. التحقق الحسابي والرسم البياني
library(ggplot2)

ggplot(financial_report, aes(x = quarter, y = net_income_num, fill = net_income_num > 0)) +
  geom_col() +
  scale_fill_manual(values = c("TRUE" = "steelblue", "FALSE" = "firebrick"), guide = "none") +
  scale_y_continuous(labels = scales::dollar_format()) +
  labs(title = "صافي الدخل الربعي للشركة", x = "الربع المالي", y = "صافي الدخل (بالدولار)") +
  theme_minimal()

نجحت هذه المعالجة في تحويل الأرقام المحاسبية المعقدة إلى قيم سالبة وموجبة دقيقة رياضياً، مما أتاح لحزمة ggplot2 رسم الأعمدة البيانية بدقة وتلوين الأرباع الرابحة باللون الأزرق والأرباع الخاسرة باللون الأحمر تلقائياً، مع إعادة تنسيق المحور الرأسي بصيغة مالية احترافية عبر scales.

12. أفضل الممارسات، التحقق من الجودة، وتجنب الأخطاء الشائعة

12.1 بروتوكولات التحقق من صحة البيانات (Data Validation)

يقتضي العمل الاحترافي في هندسة البيانات عدم الاكتفاء بتنفيذ أوامر التنظيف دون إخضاع المخرجات لبروتوكولات فحص وتحقق صارمة (Data Validation Frameworks). تهدف هذه البروتوكولات إلى اكتشاف أي تشوهات أو فقدان غير مقصود للبيانات أثناء عمليات التجريد والتحويل.

تشمل أفضل الممارسات في هذا السياق تطبيق الإجراءات التالية:

• اختبارات التحقق التلقائي (Automated Assertions): استخدام حزم متخصصة مثل حزمة assertr للتأكد من أن الأعمدة الناتجة تقع ضمن النطاقات المنطقية المتوقعة، وأنها خالية من أي قيم مفقودة مفاجئة:
  
  library(assertr)
cleaned_df |> verify(is.numeric(sales_num)) |> assert(not_na, sales_num)
• مقارنة الملخصات الإحصائية (Summary Verification): استعراض مخرجات دالة summary() على المتجه العددي الجديد للتحقق من القيم الصغرى (Min)، والقيم العظمى (Max)، وتأكيد خلو البيانات من أي تشوهات حسابية ناجمة عن أخطاء الفواصل العشرية.
• اختبارات الوحدة للدوال المخصصة (Unit Testing): كتابة اختبارات معيارية باستخدام حزمة testthat لأي دالة تنظيف يتم تطويرها داخل الفريق لضمان قدرتها على معالجة كافة الحالات الحدية (Edge Cases) مثل القيم الفارغة، الأقواس، والأصفار.

12.2 قائمة الأخطاء البرمجية الشائعة وطرق تفاديها

يوضح الجدول التوجيهي التالي أبرز الأخطاء الشائعة التي يقع فيها مبرمجو ومحللو لغة R أثناء محاولة إزالة علامات الدولار والرموز المالية، مع بيان الأسباب الجذرية وسبل تفاديها هندسياً:

• الخطأ الأول: نسيان الهروب المزدوج لرمز الدولار: كتابة gsub("$", "", x) دون هروب؛ مما يؤدي إلى عدم حذف الرمز لأن المحرك يفسره كنهاية للسلسلة. الحل: استخدام "\$" أو تفعيل fixed = TRUE.
• الخطأ الثاني: إزالة النقاط العشرية بالخطأ: استخدام تعبير نمطي شامل مثل gsub("[^0-9]", "", x) لحذف كل ما هو غير رقمي؛ مما يتسبب في حذف النقطة الفاصلة للكسور العشرية وتحويل القيمة “$10.50” إلى “1050” (تضخيم الرقم بمقدار مئة ضعف). الحل: استثناء النقطة صراحة في النمط: "[^0-9.]" أو استهداف الرموز المراد حذفها حصراً: "[\$,]".
• الخطأ الثالث: الكتابة المباشرة فوق البيانات الأصلية دون نسخ احتياطي: استبدال العمود الأصلي مباشرة قبل التحقق من سلامة التحويل. الحل: إنشاء عمود جديد للمعالجة (مثل sales_clean) ومقارنته بالعمود الأصلي قبل إسقاط القديم.
• الخطأ الرابع: تجاهل الترميز النصي (Encoding): فشل مطابقة الرموز المالية بسبب اختلاف الترميز بين ملف البيانات ومحيط R. الحل: تحويل المتجه مسبقاً باستخدام enc2utf8() لضمان استقرار المطابقة.

خاتمة

تمثل عملية إزالة علامات الدولار وتنظيف البيانات المالية في لغة R مهارة تأسيسية لا غنى عنها لأي محلل بيانات أو عالم إحصاء يتعامل مع مجموعات البيانات الواقعية. لقد استعرضنا عبر هذا الدليل الشامل الأبعاد النظرية والعملية لهذه المهمة؛ بدءاً من فهم البنية التركيبية للمتجهات النصية ونظام الأنواع في لغة R، والتعامل الحذر مع الدلالة الوظيفية لرمز الدولار في محركات التعابير النمطية (Regex)، وصولاً إلى التطبيقات العملية المتنوعة.

تدرجنا في استعراض الحلول البرمجية المتعددة؛ بدءاً من الدوال الأساسية عالية الكفاءة مثل gsub()، ودوال منظومة tidyverse المتسقة كحزمة stringr عبر دالتي str_remove_all() و str_replace_all()، مروراً بالأداة الذكية المتخصصة parse_number() في حزمة readr، وانتهاءً بالمعالجة فائقة السرعة للملفات الضخمة عبر data.table، والتعامل المعقد مع الأقواس المحاسبية وتعدد العملات. إن اختيار الأداة المناسبة يعتمد دوماً على سياق المشروع؛ حيث تتفوق أدوات Base R و data.table في بيئات الإنتاج ذات الحجوم البيانية الضخمة، بينما تبرز أدوات Tidyverse في التحليلات الاستكشافية ومسارات العمل التعبيرية التعاونية. ومن خلال تطبيق بروتوكولات التحقق الصارمة وأفضل الممارسات الهندسية الموضحة في هذا المرجع، يستطيع المحلل ضمان تحويل البيانات المالية بدقة متناهية ودون أدنى فقدان للمعلومات الحسابية الحيوية.

References

• R Core Team. (2023). R: A language and environment for statistical computing. R Foundation for Statistical Computing, Vienna, Austria. https://www.R-project.org/
• Wickham, H., & Grolemund, G. (2017). R for Data Science: Import, Tidy, Transform, Visualize, and Model Data. O’Reilly Media. https://r4ds.had.co.nz/
• Wickham, H. (2019). stringr: Modern, Consistent String Processing in R (R package version 1.4.0). CRAN. https://stringr.tidyverse.org/
• Wickham, H., Hester, J., & Bryan, J. (2023). readr: Read Rectangular Text Data (R package version 2.1.4). CRAN. https://readr.tidyverse.org/
• Dowle, M., & Srinivasan, A. (2023). data.table: Extension of `data.frame` (R package version 1.14.8). CRAN. https://rdatatable.gitlab.io/data.table/
• Wickham, H., & Seidel, D. (2022). scales: Scale Functions for Visualization (R package version 1.2.1). CRAN. https://scales.r-lib.org/
• Mersmann, O. (2021). microbenchmark: Accurate Benchmark Functions in R (R package version 1.4.9). CRAN. https://cran.r-project.org/package=microbenchmark
• Friedl, J. E. (2006). Mastering Regular Expressions (3rd ed.). O’Reilly Media.