慧美——R fot data science 第10章 使用stringr处理字符串

huimeiwang

R fot data science 第10章  使用stringr处理字符串10.1  简介

• 学习R 中的字符串处理。你将学习字符串的基本工作原理
• 正则表达式的用处非常大，字符串通常包含的是非结构化或半结构化数据，正则表达式可以用简练的语言来描述字符串中的模式。
• 准备工作
  library(tidyverse)
  library(stringr)
  

10.2  字符串基础

• 可以使用单引号或双引号来创建字符串。与其他语言不同，单引号和双引号在 R 中没有区别。
• 如果想要在字符串中包含一个单引号或双引号，可以使用 \ 对其进行“转义”
  double_quote<-"\""# or '"'
  single_quote<-'\''# or "'"
  如果想要在字符串中包含一个反斜杠，就需要使用两个反斜杠:\
• 如果想要查看字符串的初始内容，可以使用 writelines() 函数
  x<-c("\"", "\\")
  x
  #> [1] "\"" "\\"
  writeLines(x)
• 最常用的是换行符 \n 和制表符 \t
• 多个字符串通常保存在一个字符向量中，你可以使用 c() 函数来创建字符向量
• 字符串长度
  • str_length() 函数可以返回字符串中的字符数量
    
    
  file:///Users/huimei/Library/Application%20Support/typora-user-images/image-20181126151126078.png?lastModify=1543277617
• 字符串组合
  • 组合两个或更多字符串，可以使用 str_c() 函数
  • 和多数 R 函数一样，缺失值是可传染的。如果想要将它们输出为 "NA"，可以使用 str_replace_na()
  • 要想将字符向量合并为字符串，可以使用 collapse() 函数
    
    
• 字符串取子集
  • 可以使用 str_sub() 函数来提取字符串的一部分。除了字符串参数外，str_sub() 函数中还有 start 和 end 参数，它们给出了子串的位置(包括 start 和 end 在内)
    
    
• 区域设置
  • str_to_lower() 函数将文本转换为小写
  • str_to_upper() 函数
  • str_to_title() 函数
  • R 基础包中的 order() 和 sort() 函数使用当前区域设置对字符串进行排序。
    
    
  
  

10.3 使用正则表达式进行模式匹配

• 基础匹配
  • 最简单的模式是精确匹配字符串
    
    
  
  

• 锚点
  • 正则表达式会匹配字符串的任意部分。有时我们需要在正则表达式中设置锚点，以便 R 从字符串的开头或末尾进行匹配
    • ^ 从字符串开头进行匹配。
      x<-c("apple", "banana", "pear")
      str_view(x, "^a")
    • $ 从字符串末尾进行匹配。
      
      
    
    
  
  

str_view(x, "a$")

• 如果想要强制正则表达式匹配一个完整字符串，那么可以同时设置 ^ 和 $ 这两个锚点
  
  

x<-c("apple pie", "apple", "apple cake")
str_view(x, "apple")
str_view(x, "^apple$")

• 字符类与字符选项
  • \d 可以匹配任意数字。
  • \s 可以匹配任意空白字符(如空格、制表符和换行符)。
  • [abc] 可以匹配 a、b 或 c。
  • [^abc] 可以匹配除 a、b、c 外的任意字符。
    
    
• 重复
  • 可以控制一个模式能够匹配多少次
    • ?:0次或1次。
    • +:1 次或多次。
    • *:0 次或多次。
      
      
  • 可以精确设置匹配的次数
    • {n}:匹配 n 次。
    • {n,}:匹配 n 次或更多次。
    • {,m}:最多匹配 m 次。
    • {n, m}:匹配n到m次。
      
      
  • 默认的匹配方式是“贪婪的”:正则表达式会匹配尽量长的字符串。通过在正则表达式后 面添加一个 ?，你可以将匹配方式更改为“懒惰的”，即匹配尽量短的字符串
    
    
• 分组与回溯引用
  • 通过回溯引用(如 \1、\2 等)来引用这些分组
    
    
  
  

10.4  工具

• 多种 stringr 函数，它们可以
  • 确定与某种模式相匹配的字符串;
  • 找出匹配的位置;
  • 提取出匹配的内容;
  • 使用新值替换匹配内容;
  • 基于匹配拆分字符串。
    
    
• 匹配检测
  • 要想确定一个字符向量能否匹配一种模式，可以使用 str_detect() 函数。它返回一个与输入向量具有同样长度的逻辑向量
    file:///Users/huimei/Library/Application%20Support/typora-user-images/image-20181126182858170.png?lastModify=1543277617
    
    
  
  

• str_detect() 函数的一种变体是 str_count()，后者不是简单地返回是或否，而是返回字符串中匹配的数量
  
  

• 很多 stringr 函数都是成对出现的:一个函数用于单个匹配，另一个函数用于全部匹配，后者会有后缀 _all。
• 要想提取匹配的实际文本，我们可以使用 str_extract() 函数
  
  

• 分组匹配
  • 括号在正则表达式中的用法
  • 它可以阐明优先级
  • 能对正则表达式进行分组
  • 分组可以在匹配时回溯引用
    
    
• 替换匹配内容
  • str_replace() 和 str_replace_all() 函数可以使用新字符串替换匹配内容。最简单的应用 是使用固定字符串替换匹配内容
    • 
      
  • 通过提供一个命名向量，使用 str_replace_all() 函数可以同时执行多个替换
    • file:///Users/huimei/Library/Application%20Support/typora-user-images/image-20181126191354546.png?lastModify=1543277617
      
      
    
    
• 拆分
  • str_split() 函数可以将字符串拆分为多个片段
  • 
    
• 定位匹配内容
  • str_locate() 和 str_locate_all() 函数可以给出每个匹配的开始位置和结束位置。可以使用 str_locate() 函数找出匹配的模式，然后使用 str_sub() 函数来提取或修改匹配的内容
    
    
  
  

10.5  其他类型的模式

• 当使用一个字符串作为模式时，R 会自动调用 regex() 函数对其进行包装
  
  

• 你可以使用 regex() 函数的其他参数来控制具体的匹配方式
  • ignore_case = TRUE既可以匹配大写字母，也可以匹配小写字母，它总是使用当前的区域设置
  • multiline = TRUE可以使得^和$从每行的开头和末尾开始匹配，而不是从完整字符串的开头和末尾开始匹配
  • file:///Users/huimei/Library/Application%20Support/typora-user-images/image-20181127075821200.png?lastModify=1543277617
    
    
  
  

• comments = TRUE可以让你在复杂的正则表达式中加入注释和空白字符，以便更易理解。匹配时会忽略空格和 # 后面的内容。如果想要匹配一个空格，你需要对其进行转义:"\ "
  
  

• dotall = TRUE 可以使得 . 匹配包括 \n 在内的所有字符
  
  

• fixed() 函数可以按照字符串的字节形式进行精确匹配，它会忽略正则表达式中的所有特殊字符，并在非常低的层次上进行操作。这样可以让你不用进行那些复杂的转义操作，而且速度比普通正则表达式要快很多。
  
  

• coll() 函数使用标准排序规则来比较字符串，这在进行不区分大小写的匹配时是非常有效的。
  
  

• 可以使用 boundary() 函数来匹配边界
• 
  
  

10.6 正则表达式的其他应用

• apropos() 函数可以在全局环境空间中搜索所有可用对象。当不能确切想起函数名称时， 这个函数特别有用
  
  

• dir() 函数可以列出一个目录下的所有文件。dir() 函数的 patten 参数可以是一个正则 表达式，此时它只返回与这个模式相匹配的文件名。
• 
  
  

• 如果更喜欢使用 *.Rmd 这样的“通配符”，你可以通过 glob2rx() 函数将其转换为正则 表达式
  
  

10.7 stringi

• stringr 建立于 stringi 的基础之上。stringr 非常容易学习，因为它只提供了非常少的函数
  
  

• stringi 中有 234 个函数，而 stringr 中只有 42 个。
  
  

• 如果你发现某些工作很难使用 stringr 来完成，那么可以考虑使用 stringi。因为这两个包中的函数的工作方式非常相似，所以你可以很自然地从 stringr 过渡到 stringi。主要区别是前缀:str_ 与 stri_。