R

R语言的字符串操作

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。

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：

1. 字符操作：操作字符向量中的单个符 str_length, str_sub, str_dup

2. 添加，移除和操作空白符 str_pad, str_trim, str_wrap

3. 大小写转换处理 str_to_lower, str_to_upper, str_to_title

4. 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

1
str_length("abc")

根据位置信息提取或替换字符, 类似于substr()

1
2
3
4
5
6
7
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

1
str_dup(x,c(2,3))

空白符

前后增加空白字符, str_pad()

1
2
3
x <- c("abc", "defghi")
str_pad(x, 10)
str_pad(x, 10, "both")

移除空白字符, str_trim()

1
2
3
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()

1
2
3
4
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：

1
2
3
4
5
6
7
strings <- c(
    "apple",
    "219 733 8965",
    "329-293-8753",
    "Work: 579-499-7527; Home: 543.355.3679"
)

号码的正则形式:

1
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

1
str_detect(strings, phone)

提取字符串(全部内容）， str_subset

1
str_subset(strings, phone)

统计匹配次数，str_count

1
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）

1
2
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

1
2
3
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

1
2
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

1
2
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

1
2
str_split_fixed("a-b-c", "-")
str_spilt("a-b-c","-", n=2)

4类字符串描述引擎

1. 默认是正则表达式`vignette(“regular-expression”)

2. 逐byte固定匹配, fixed()

3. locale-sensive 字符匹配, coll()

4. 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

1
2
x <- c("apple", "banana", "pear")
str_extract(x, "an")

如果需要忽略大小写, ignore_case =TRUE

1
2
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

1
2
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

一些比较常用的字符匹配

  • \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], [^-]：匹配字母，和不匹配

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

1
str_detect(c("abc","def","ghi"), "abc|def")

分组

匹配grey或gray

1
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

1
2
3
4
5
6
7
8
9
10
11
12
13
14
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

1
2
3
4
5
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，

1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
20
21
22
23
24
25
26
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++

1
2
> 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

1
2
3
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。

1
2
3
4
5
> 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

1
2
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。

1
2
 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

1
2
x <- c(as = "asfef", qu = "qwerty", "yuiop[", "b", "stuff.blah.yech")
strsplit(x, "e")