本章将介绍 R 中的字符串处理。将学习字符串的基本工作原理，以及如何手工创建字符串，但本章的重点是正则表达式（regular expression， regexp）。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。
library(tidyverse)
library(stringr)
10.2 字符串基础
# 创建字符串
string1 <- "This is a string"
string2 <- 'To put a "quote" inside a string, use single quotes'
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： \
注意，字符串的打印形式与其本身的内容不是相同的，因为打印形式中会显示出转义字
符。如果想要查看字符串的初始内容，可以使用 writelines() 函数
x <- c("\"", "\\")
x
writeLines(x)
换行符 \n 和制表符 \t
使用 c() 函数来创建字符向量
c("one", "two", "three")
10.2.1 字符串长度
以 str_ 开头的。例如， str_length() 函数可以返回字符串中的字符数量
str_length(c("a", "R for data science", NA))
10.2.2 字符串组合
str_c("x", "y")
str_c("x", "y", "z")
str_c("x", "y", sep = ", ")
x <- c("abc", NA)
str_c("|-", x, "-|")
# 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()
str_c("|-", str_replace_na(x), "-|")
str_c() 函数是向量化的，它可以自动循环短向量，使得其与最长的向量具有相同的长度
str_c("prefix-", c("a", "b", "c"), "-suffix")
10.2.3 字符串取子集
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）
x <- c("Apple", "Banana", "Pear")
str_sub(x, 1, 3)
# 负数表示从后往前数
str_sub(x, -3, -1)
还可以使用 str_sub() 函数的赋值形式来修改字符串
str_sub(x, 1, 1) <- str_to_lower(str_sub(x, 1, 1))
10.2.5 练习
(1) 在没有使用 stringr 的那些代码中，你会经常看到 paste() 和 paste0() 函数，这两个函
数的区别是什么？ stringr 中的哪两个函数与它们是对应的？这些函数处理 NA 的方式有
什么不同？
paste("foo", "bar")
#> [1] "foo bar"
paste0("foo", "bar")
#> [1] "foobar"
str_c("foo", "bar")
#> [1] "foobar"
str_c("foo", NA)
#> [1] NA
paste("foo", NA)
#> [1] "foo NA"
paste0("foo", NA)
#> [1] "fooNA"
(2) 用自己的语言描述一下 str_c() 函数的 sep 和 collapse 参数有什么区别？
(3) 使用 str_length() 和 str_sub() 函数提取出一个字符串最中间的字符。如果字符串中的
字符数是偶数，你应该怎么做？
x <- c("a", "abc", "abcd", "abcde", "abcdef")
L <- str_length(x)
m <- ceiling(L / 2)
str_sub(x, m, m)
#> [1] "a" "b" "b" "c" "c"
(4) str_wrap() 函数的功能是什么？应该在何时使用这个函数？
将文本处理成固定宽度的文本
thanks_path <- file.path(R.home('doc'),'thanks')
thanks <- str_c(readLines(thanks_path),collapse = '\n')
thanks <- word(thanks,1,3,fixed("\n\n"))
cat(str_wrap(thanks),"\n")
(5) str_trim() 函数的功能是什么？其逆操作是哪个函数？
str_trim()去除字符串两边的空格，str_pad()在两边增加空格
str_trim(" abc ")
#> [1] "abc"
str_trim(" abc ", side = "left")
#> [1] "abc "
str_trim(" abc ", side = "right")
#> [1] " abc"
str_pad("abc", 5, side = "both")
#> [1] " abc "
str_pad("abc", 4, side = "right")
#> [1] "abc "
str_pad("abc", 4, side = "left")
#> [1] " abc"
(6) 编写一个函数将字符向量转换为字符串，例如，将字符向量 c("a", "b", "c") 转换为
字符串 a、 b 和 c。仔细思考一下，如果给定一个长度为 0、 1 或 2 的向量，那么这个函
数应该怎么做？
str_commasep <- function(x, delim = ",") {
n <- length(x)
if (n == 0) {
""
} else if (n == 1) {
x
} else if (n == 2) {
# no comma before and when n == 2
str_c(x[[1]], "and", x[[2]], sep = " ")
} else {
# commas after all n - 1 elements
not_last <- str_c(x[seq_len(n - 1)], delim)
# prepend "and" to the last element
last <- str_c("and", x[[n]], sep = " ")
# combine parts with spaces
str_c(c(not_last, last), collapse = " ")
}
}
str_commasep("")
#> [1] ""
str_commasep("a")
#> [1] "a"
str_commasep(c("a", "b"))
#> [1] "a and b"
str_commasep(c("a", "b", "c"))
#> [1] "a, b, and c"
str_commasep(c("a", "b", "c", "d"))
#> [1] "a, b, c, and d"
10.3 使用正则表达式进行模式匹配
10.3.1 基础匹配
x <- c("apple", "banana", "pear")
str_view(x, "an")
str_view(x, ".a.")
# 要想建立正则表示式，我们需要使用\\
dot <- "\\."
# 实际上表达式本身只包含一个\：
writeLines(dot)
#> \.
# 这个表达式告诉R搜索一个.
str_view(c("abc", "a.c", "bef"), "a\\.c")
x <- "a\\b"
writeLines(x)
#> a\b
str_view(x, "\\\\")
正则表达式 . 的字符串形式应是 \. 你需要 4 个反斜杠来匹配 1 个反斜杠！
10.3.2 练习
(1) 解释一下为什么这些字符串不能匹配一个反斜杠 \： ""、 "\"、 "\"。
(2) 如何匹配字符序列 "'\ ？
(3) 正则表达式 ...... 会匹配哪种模式？如何用字符串来表示这个正则表达式？
10.3.3 锚点
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。我们可以设置两种锚点。
• ^ 从字符串开头进行匹配。
• $ 从字符串末尾进行匹配。
x <- c("apple", "banana", "pear")
str_view(x, "^a")
str_view(x, "a$")
x <- c("apple pie", "apple", "apple cake")
str_view(x, "apple")
str_view(x, "^apple$")
始于权力（^），终于金钱（$）
10.3.4 练习
(1) 如何匹配字符串 "" ？ \$\\$$
str_view(c("$^$", "ab$^$sfas"), "^\\$\\^\\$$")
(2) 给定 stringr::words 中的常用单词语料库，创建正则表达式以找出满足下列条件的所
有单词。
a. 以 y 开头的单词。
b. 以 x 结尾的单词。
c. 长度正好为 3 个字符的单词。（不要使用 str_length() 函数，这是作弊！）
d. 具有 7 个或更多字符的单词。
因为这个列表非常长，所以你可以设置 str_view() 函数的 match 参数，只显示匹配的
单词（match = TRUE）或未匹配的单词（match = FALSE）。
word <- stringr::words
str_view(word,"^y",match = T)
str_view(word,"x$",match = T)
str_view(word,"^...$",match = T)
str_view(word,".......",match = T)
10.3.5 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。
10.3.6 练习
(1) 创建正则表达式来找出符合以下条件的所有单词。
a. 以元音字母开头的单词。
str_view(word,"^[aeiou]",match = T)
b. 只包含辅音字母的单词（提示：考虑一下匹配“非”元音字母）。
str_view(word,"^[^aeiou]+$",match = T)
c. 以 ed 结尾，但不以 eed 结尾的单词。
str_view(word,"ed$|^[^e]ed$",match = T)
d. 以 ing 或 ize 结尾的单词。
str_view(word,"ing$|ize$",match = T)
str_view(stringr::words, "i(ng|se)$", match = TRUE)
(2) 实际验证一下规则： i 总是在 e 前面，除非 i 前面有 c。
str_view(stringr::words, "(cei|[^c]ie)", match = TRUE)
(3) q 后面总是跟着一个 u 吗？
str_view(stringr::words, "qu", match = TRUE)
(4) 编写一个正则表达式来匹配英式英语单词，排除美式英语单词。
(5) 创建一个正则表达式来匹配你所在国家的电话号码。
x <- c("123-4560-7890", "1235-2351")
str_view(x, "\\d\\d\\d-\\d\\d\\d\\d-\\d\\d\\d\\d")
10.3.7 重复
正则表达式的另一项强大功能是，其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。
x <- "1888 is the longest year in Roman numerals: MDCCCLXXXVIII"
str_view(x, "CC?")
str_view(x, "CC+")
str_view(x, 'C[LX]+')
• {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。
str_view(x, "C{2}")
str_view(x, "C{2,}")
str_view(x, "C{2,3}")
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。
10.3.8 练习
(1) 给出与 ?、 + 和 * 等价的 {m, n} 形式的正则表达式。
? {0,1} + {1,} * {0,}
(2) 用语言描述以下正则表达式匹配的是何种模式（仔细阅读来确认我们使用的是正则表达
式，还是定义正则表达式的字符串）？
a. ^.*$
b. "\{.+\}"
c. \d{4}-\d{2}-\d{2}
d. "\\{4}"
(3) 创建正则表达式来找出满足以下条件的所有单词。
a. 以 3 个辅音字母开头的单词
b. 有连续 3 个或更多元音字母的单词。
c. 有连续 2 个或更多元音—辅音配对的单词。
str_view(stringr::words, "^[^aeiou]{3}",match=T)
str_view(stringr::words, "[aeiou]{3,}",match=T)
str_view(stringr::words, "[aeiou][^aeiou]{2,}",match=T)
括号还可以定义“分组”，你可以通过回溯引用（如 \1、 \2 等）来引用这些分组。
str_view(stringr::words, "(..)\\1", match = TRUE)
10.4.1 匹配检测
x <- c("apple", "banana", "pear")
str_detect(x, "e")
#> [1] TRUE FALSE TRUE
# 有多少个以t开头的常用单词？
sum(str_detect(words, "^t"))
#> [1] 65
# 以元音字母结尾的常用单词的比例是多少？
mean(str_detect(words, "[aeiou]$"))
#> [1] 0.277
str_detect() 函数的一种常见用法是选取出匹配某种模式的元素。你可以通过逻辑取子集
方式来完成这种操作，也可以使用便捷的 str_subset() 包装器函数：
words[str_detect(words, "x$")]
#> [1] "box" "sex" "six" "tax"
str_subset(words, "x$")
#> [1] "box" "sex" "six" "tax"
df <- tibble(
word = words,
i = seq_along(word)
)
df %>%
filter(str_detect(words, "x$"))
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：
x <- c("apple", "banana", "pear")
str_count(x, "a")
#> [1] 1 3 1
# 平均来看，每个单词中有多少个元音字母？
mean(str_count(words, "[aeiou]"))
#> [1] 1.99
df %>%
mutate(
vowels = str_count(word, "[aeiou]"),
consonants = str_count(word, "[^aeiou]")
)
str_count("abababa", "aba")
#> [1] 2
str_view_all("abababa", "aba")
10.4.3 提取匹配内容
要想提取匹配的实际文本，我们可以使用 str_extract() 函数。为了说明这个函数的用
法
length(sentences)
#> [1] 720
head(sentences)
colors <- c(
"red", "orange", "yellow", "green", "blue", "purple"
)
color_match <- str_c(colors, collapse = "|")
color_match
#> [1] "red|orange|yellow|green|blue|purple"
has_color <- str_subset(sentences, color_match)
matches <- str_extract(has_color, color_match)
head(matches)
#> [1] "blue" "blue" "red" "red" "red" "blue"
more <- sentences[str_count(sentences, color_match) > 1]
str_view_all(more, color_match)
str_extract(more, color_match)
#> [1] "blue" "green" "orange
str_extract_all(more, color_match)
#> [[1]]
#> [1] "blue" "red"
#>
#> [[2]]
#> [1] "green" "red"
#>
#> [[3]]
#> [1] "orange" "red"
str_extract() 函数可以给出完整匹配； str_match() 函数则可以给出每个独立分组。 str_
match() 返回的不是字符向量，而是一个矩阵，其中一列是完整匹配，后面的列是每个分
组的匹配
noun <- "(a|the) ([^ ]+)"
has_noun <- sentences %>%
str_subset(noun) %>%
head(10)
has_noun %>%
str_extract(noun)
#> [1] "the smooth" "the sheet" "the depth" "a chicken"
#> [5] "the parked" "the sun" "the huge" "the ball"
#> [9] "the woman" "a helps"
has_noun %>%
str_match(noun)
#> [,1] [,2] [,3]
#> [1,] "the smooth" "the" "smooth"
#> [2,] "the sheet" "the" "sheet"
#> [3,] "the depth" "the" "depth"
#> [4,] "a chicken" "a" "chicken"
#> [5,] "the parked" "the" "parked"
#> [6,] "the sun" "the" "sun"
#> [7,] "the huge" "the" "huge"
#> [8,] "the ball" "the" "ball"
#> [9,] "the woman" "the" "woman"
#> [10,] "a helps" "a" "helps"
# 如果数据是保存在 tibble 中的，那么使用 tidyr::extract() 会更容易。这个函数的工作方式
#与 str_match() 函数类似，只是要求为每个分组提供一个名称，以作为新列放在 tibble 中
tibble(sentence = sentences) %>%
tidyr::extract(
sentence, c("article", "noun"), "(a|the) ([^ ]+)",
remove = FALSE
)
10.4.7 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。
x <- c("apple", "pear", "banana")
str_replace(x, "[aeiou]", "-")
#> [1] "-pple" "p-ar" "b-nana"
str_replace_all(x, "[aeiou]", "-")
#> [1] "-ppl-" "p--r" "b-n-n-"
x <- c("1 house", "2 cars", "3 people")
str_replace_all(x, c("1" = "one", "2" = "two", "3" = "three"))
#> [1] "one house" "two cars" "three people
10.4.9 拆分
str_split() 函数可以将字符串拆分为多个片段。
sentences %>%
head(5) %>%
str_split(" ")
"a|b|c|d" %>%
str_split("\\|") %>%
.[[1]]
sentences %>%
head(5) %>%
str_split(" ", simplify = TRUE) # simplify=T返回一个矩阵
fields <- c("Name: Hadley", "Country: NZ", "Age: 35")
fields %>% str_split(": ", n = 2, simplify = TRUE)
#> [,1] [,2]
#> [1,] "Name" "Hadley"
#> [2,] "Country" "NZ"
#> [3,] "Age" "35"
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：
apropos("replace")
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。例如，你可以使用以下代码返回当
前目录中的所有 R Markdown 文件
head(dir(pattern = "\\.Rmd$"))
网友评论