《Learning R》笔记 Chapter 13 Clean

数据清洗是数据分析中最为繁杂头疼的部分。

字符串清洗

R自带函数

grep，grepl和regexpr是R自带的三个字符串匹配函数。

grep(pattern, x, ignore.case = FALSE, perl = FALSE, value = FALSE,
     fixed = FALSE, useBytes = FALSE, invert = FALSE)
grepl(pattern, x, ignore.case = FALSE, perl = FALSE,
      fixed = FALSE, useBytes = FALSE)
sub(pattern, replacement, x, ignore.case = FALSE, perl = FALSE,
    fixed = FALSE, useBytes = FALSE)
regexpr(pattern, text, ignore.case = FALSE, perl = FALSE,
        fixed = FALSE, useBytes = FALSE)

grep返回符合pattern匹配的元素的下标，默认是integer；
grepl返回符合pattern匹配的逻辑值，class为logical；
sub返回和输入长度一致的string，但将符合匹配的pattern替换为replacement。
regexpr返回和输入长度一致的integer vector，指出每个元素中匹配pattern字符的起始位置，如无匹配则返回-1

stringr包

stringr提供了一系列的wrapper，能够更好地操作字符串。

modifier functions

需要指出的是，stringr中的pattern默认是正则表达式(即regex)。如果要进行修改的话，stringr给出了4种modifier functions。ignore_case为是否忽略大小写的开关。

fixed：Compare literal bytes in the string. This is very fast, but not usually what you want for non-ASCII character sets.

fixed(pattern, ignore_case = FALSE)

coll：Compare strings respecting standard collation rules.

coll(pattern, ignore_case = FALSE, locale = "en", ...)

regex：The default. Uses ICU regular expressions.

regex(pattern, ignore_case = FALSE, multiline = FALSE, comments = FALSE,
  dotall = FALSE, ...)

boundary：Match boundaries between things.

boundary(type = c("character", "line_break", "sentence", "word"),
  skip_word_none = NA, ...)

str_detect （grepl）

str_detect()相当于grepl，返回逻辑vector。pattern可以是一个vector

str_detect(string, pattern)
> fruit <- c("apple", "banana", "pear", "pinapple")
> str_detect(fruit, "^a")
[1]  TRUE FALSE FALSE FALSE
> str_detect("aecfg", letters[1:6])
[1]  TRUE FALSE  TRUE FALSE  TRUE  TRUE

str_split（strsplit）

str_split相当于R自带的strsplit。接受string输入，返回分拆后的list。如果确认返回后长度一致，可以改为str_split_fixed，这样会返回一个matrix。

str_split(string, pattern, n = Inf, simplify = FALSE)
str_split_fixed(string, pattern, n) #n为返回结果的长度

str_count

str_count输出pattern的计数，也就是一个interger vector。pattern默认为空字符串。

str_count(string, pattern = "")##
> str_count(fruit)
[1] 5 6 4 8
> str_count(fruit, c("a", "b", "p", "p"))
[1] 1 1 1 3 #注意vector运算的法则！

str_replace(sub)

str_replace相当于R自带的sub，它只替换每个string中每个元素内部第一个匹配。而str_replace_all则替换全部匹配。

str_replace(string, pattern, replacement)
str_replace_all(string, pattern, replacement)
> str_replace(fruit, "[aeiou]", "-")
[1] "-pple"    "b-nana"   "p-ar"     "p-napple"
> str_replace_all(fruit, "[aeiou]", "-")
[1] "-ppl-"    "b-n-n-"   "p--r"     "p-n-ppl-"

str_replace_na函数是一个特殊的wrapper，能将NA转换为字符串‘NA’

str_replace_na(string, replacement = "NA")
> str_replace_na(c(NA, "abc", "def"))
[1] "NA"  "abc" "def"