R语言的字符操作

2017-06-17 本文已影响122人 xuzhougeng

R语言主要擅长于数值向量和矩阵操作，但是让他去做字符串操作也可以吧。
字符串的基本操作类型：

查找和替换
大小写转换
字符数统计
字符串连接和拆分

就我所知，有两套处理函数，一套是Hadley大神的stringr,一套是R自带的。

stringr使用指南

stringr函数主要分为四类：

字符操作：操作字符向量中的单个字符 str_length, str_sub, str_dup
添加，移除和操作空白符 str_pad, str_trim, str_wrap
大小写转换处理 str_to_lower, str_to_upper, str_to_title
模式匹配函数 str_detect, str_subset, str_count, str_locate, str_locate_all, str_match, str_match_all, str_replace, str_replace_all, str_split_fix, str_split, str_extract, str_extract_all

单个字符的处理

字符长度str_length，等价于nchar

str_length("abc")

根据位置信息提取或替换字符, 类似于substr()

x <- c("abcdef","ghijk")
# 第三个
str_sub(x,3,3)
# 第二个到倒数第二个
str_sub(x,2, -2)
# 替换
str_sub(x,3,3) <- X

重复字符串，不同于rep

str_dup(x,c(2,3))

空白符

前后增加空白字符, str_pad()

x <- c("abc", "defghi")
str_pad(x, 10)
str_pad(x, 10, "both")

移除空白字符, str_trim()

x <- c("   b   ", "c   ", "   d")
str_trim(x)
str_trim(x,left)

更好的排版，让每一行的看起来一样长， str_wrap()

nature <- c("Nature Methods' Points of Significance column ",
"on statistics explains many key statistical and ","experimental design concepts. Other resources include an online",
" plotting tool and links to statistics guides from other publishers.")
cat(str_wrap(nature, width=40))

大小写转换

全部大写 str_to_upper, 类似于基础R的toupper()
全部小写 str_to_lower, 类似于基础R的tolower()
title形式 str_to_title

模式匹配

功能： decect, locate, extract, match, replace, split
测试数据：

strings <- c(
    "apple",
    "219 733 8965",
    "329-293-8753",
    "Work: 579-499-7527; Home: 543.355.3679"
)

号码的正则形式:

phone <- "([2-9][0-9]{2})[- .]([0-9]{3})[- .]([0-9]{4})"

检测字符串是否符合特定模式， str_detect

str_detect(strings, phone)

提取字符串(全部内容）， str_subset

str_subset(strings, phone)

统计匹配次数，str_count

str_count(strings, phone)

定位首个匹配的位置,str_locate(返回matrix), 或所有匹配的位置, str_locate_all（返回list）

str_locate(strings, phone)
str_locate_all(strings, phone)

str_extract提取首个匹配，返回字符串向量, str_extract_all()提取所有匹配，返回list

str_extract(strings, phone)
str_extract_all(strings,phone)
str_extract_all(strings, phone, simplify=TRUE)

-str_match提取首个匹配中()分组内的内容， str_match_all()则是全部，因此是list

str_match(strings, phone)
str_match_all(strings, phone)

str_replace()替代第一个匹配， str_replace_all替代所有匹配

str_replace(strings, phone, "XXX-XXX-XXXX")
str_replace_all(strings, phone, "XXX-XXX-XXXX")

str_split_fixed()返回固定数目，全部拆分，str_split（)可变拆分

str_split_fixed("a-b-c", "-")
str_spilt("a-b-c","-", n=2)

4类字符串描述引擎

默认是正则表达式`vignette("regular-expression")
逐byte固定匹配, fixed()
locale-sensive 字符匹配, coll()
字符边界分析， boundary()

正则表达式练习

基本匹配

最简单的模式就是匹配某个完整的字符

x <- c("apple", "banana", "pear")
str_extract(x, "an")

如果需要忽略大小写, ignore_case =TRUE

bananas <- c("banana", "Banana", "BANANA")
str_dectect(bananas, regrex("banana", ignore_case=TRUE))

可以用点'.'匹配任意字符，但是默认不包括\n,需要用dotall=TURE开启

str_detect("\nX\n", ".X.")
str_detect("\nX\n", regex(".X.", dotall=TRUE))

转义（R中一坑）

正则表达式中有一些是特殊字符，比如说刚才的顿号，因此为了匹配这些特殊字符，我们需要对其转义。在Linux命令行里，转义用的是"", 所以可以直接用".".
但是R里面的坑就出现了，我们用字符表示正则表达式，"" 在字符里被用作转义符号。然后我们需要先把""转义成字符，然后才能进一步转义,"\."

如果要匹配"" ,就需要“\\"，不可以思议，难以释怀，不知道被坑了多少次。

或者你用"\Q...\E" 类似于Python的 r'....'，原意匹配

特殊字符

\d: 任意数字， \D：任意非数字.
\s: 任意空白字符，\S：任意非空白字符
\w: 匹配单词
\b: 匹配字符边界， \B：非字符边界
[abc], [a-z], [^abc], [^-]

在R里面，需要对""进行转义，所以上面的\在R里都要写成，\
下面是一些预编译好的字符集，顾名思义
[:punct:]
[:alpha:]
[:lower:]
[:upper:]
[:digit:]
[:xdigit:]
[:alnum:]
[:cntrl:]
[:graph:]
[:print:]
[:space:]
[:blank:]

或

匹配abc或def

str_detect(c("abc","def","ghi"), "abc|def")

分组

匹配grey或gray

str_extract(c("grey","gray"), "gr(e|a)y")

分组可以用\1, \2进行提取，

定位

^: 字符串开始，如^a
$: 字符串结束，如a$

如果字符串有多行，那么就需要regex(multiline=TRUE)。此时，
\A: 输入开头
\z: 输入结尾
\Z: 头尾

重复

?: 0或1
+: 大于等于1
*：大于等于0
{n}: n次
{n,m}： n到m次
{n,}: 大于那次

默认是贪婪模式，在上述字符后添加"?" 则为非贪婪模式。

PS: 下面是R语言自带的字符处理函数，我已经放弃他们了。

基础R包函数

nchar(): 函数返回字符串长度
paste(), paste0(): 连接若干个字符串
sprintf()：格式化输出，下面举例

sprintf("%f", pi)
sprintf("%.3f", pi)
sprintf("%1.0f", pi)
sprintf("%5.1f", pi)
sprintf("%05.1f", pi)
sprintf("%+f", pi)
sprintf("% f", pi)
sprintf("%-10f", pi) # left justified
sprintf("%e", pi)
sprintf("%E", pi)
sprintf("%g", pi)
sprintf("%g",   1e6 * pi) # -> exponential
sprintf("%.9g", 1e6 * pi) # -> "fixed"
sprintf("%G", 1e-6 * pi)

toupper(): 大写转换
tolower(): 小写转换
substr(): 提取或替换一个字符串向量的子串

x <- "abcde"
substr(x,1,2)
# ab
substr(x,1,2) <- 2333
# 233cde

上面都是一些普通的函数，很好理解，下面都是一些和正则表达式相关的函数，如grep, grepl, regexpr, gregexpr, sub, gsub, strsplit
因此必须介绍一下R语言的正则表达式写法了。

R语言是用的扩展正则表达式（Extended Regular Expressions)
元字符：\ | ( ) [ { ^ $ * + ?
非元字符转义后：\a as BEL, \e as ESC, \f as FF, \n as LF, \r as CR and \t as TAB
一些定义字符集合[:alnum:], [:alpha:], [:blank:], [:cntrl:], [:digit:], [:graph:], [:lower:], [:print:], [:punct:], [:space:], [:upper:],[:xdigit:]
找出“组”字符串
默认是贪婪模式，可以通过用?改变为非贪婪模式

这些是基本知识，可以百度到每个字符的具体解释，或者看文档?regexp
不说基础知识了，看下应用吧。我常用的操作一般是找到某个字符串，或者对字符串进行替换
比如说，我想找到所有以P开头，且不是P结尾的字符，

test <- c("Python", "Perl", "PHP", "JAVA", "C", "C++")
grep("^P.*?[^P]$", test)
[1] 1 2
grep("^P.*?[^P]$", test,value=TRUE)
[1] "Python" "Perl"
grepl("^P.*?[^P]$", test)
[1]  TRUE  TRUE FALSE FALSE FALSE FALSE
regexpr("^P.*?[^P]$", test)
[1]  1  1 -1 -1 -1 -1
attr(,"match.length")
[1]  6  4 -1 -1 -1 -1
attr(,"useBytes")
> gregexpr("^P.*?[^P]$", test)
[[1]]
[1] 1
attr(,"match.length")
[1] 6
attr(,"useBytes")
[1] TRUE

[[2]]
[1] 1
attr(,"match.length")
[1] 4
attr(,"useBytes")
[1] TRUE

其中grep()默认是返回下标，如果设置value=TRUE，则返回字符串，grepl()返回是否配对的逻辑判断， regexpr则是返回匹配范围，如果不匹配结果是-1，gregexpr和前者功能一致，只不过返回的是列表形式。
注：忽略大小写ignore.case = TRUE

现在我想把C++替换成C--。我先试着找到C++

> grep("\+\+",test)
错误: 由""\+"开头的字符串中存在'\+'，但没有这种逸出号

什么情况，为什么+不能把+这个元字符转义？难不成+在R里面不是元字符？我测试下

grep("++",test,value=TRUE)
Error in grep("++", test, value = TRUE) : 
  正规表现’++'不对，原因是'Invalid use of repetition operators'

啊！看来+还是元字符，难道是\ 叛变革命了，我试试看。

> grep("\23","test\23",value=TRUE)
[1] "test\023"
> grep("\\23","test\23",value=TRUE)
Error in grep("\\23", "test\023", value = TRUE) : 
  正规表现’\23'不对，原因是'Invalid back reference'

看来"" 是主要任务是把非元字符转义，如果想把元字符转义成普通字符，只能是"\元字符"

grep("\\+\\+",test,value=TRUE)
[1] "C++"

回到我们之前的替换任务sub只对第一个匹配进行替换，gsub对所有匹配替换。

 sub("\\+\\+","--",test)
[1] "Python" "Perl"   "PHP"    "JAVA"   "C"      "C--"

最后还可以用strsplit对字符串进行分割，返回的是一个列表

x <- c(as = "asfef", qu = "qwerty", "yuiop[", "b", "stuff.blah.yech")
strsplit(x, "e")