美文网首页R数据科学
《R数据科学》学习笔记|Note9:使用stringr处理字符串

《R数据科学》学习笔记|Note9:使用stringr处理字符串

作者: 木舟笔记 | 来源:发表于2021-03-04 20:02 被阅读0次

    使用stringr处理字符串

    本周内容较多且杂,故分成上下两篇。正则表达式是从左到右来匹配一个字符串的。“Regular Expression”这个词太长了,我们通常使用它的缩写“regex”或者“regexp”。 正则表达式可以被用来替换字符串中的文本、验证表单、基于模式匹配从一个字符串中提取字符串等等。关于正则表达式,GitHub上有个很好的项目,如果大家有兴趣的话,可以点赞、在看,我这章之后更新项目笔记。

    [TOC]

    9.1 简介

    本章将介绍 R 中的字符串处理。包括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。

    9.2 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。我们推荐使用 ",除非你想要创建包含多个 " 的一个字符串:

    string1 <- "This is a string"
    string2 <- 'To put a "quote" inside a string, use single quotes'
    

    如果忘记了结尾的引号,你会看到一个 +,这是一个续行符:

    > "This is a string without a closing quote
    +
    

    如果遇到了这种情况,可以按 Esc 键,然后重新输入。

    如果想要在字符串中包含一个单引号双引号,可以使用 \ 对其进行“转义”:

    double_quote <- "\"" # or '"'
    single_quote <- '\'' # or "'"
    

    这意味着,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:\\

    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
    > [1] "\"" "\\"
    writeLines(x)
    > "
    > \
    

    还有其他几种特殊字符。最常用的是换行符 \n制表符 \t,你可以使用 ?'"'?"'" 调 出帮助文件来查看完整的特殊字符列表。

    多个字符串通常保存在一个字符向量中,使用 c() 函数来创建字符向量:

    c("one", "two", "three")
    > [1] "one" "two" "three"
    

    9.2.1 字符串长度

    stringr 中的函数比R基础包中的字符串处理函数名称更直观,并且都是以 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))
    > [1] 1 18 NA
    

    9.2.2 字符串组合

    要想组合两个或更多字符串,可以使用 str_c() 函数:

    str_c("x", "y")
    > [1] "xy"
    str_c("x", "y", "z")
    > [1] "xyz"
    

    可以使用 sep 参数来控制字符串间的分隔方式:

    str_c("x", "y", sep = ", ")
    > [1] "x, y"
    

    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()

    x <- c("abc", NA)
    str_c("|-", x, "-|")
    > [1] "|-abc-|" NA
    str_c("|-", str_replace_na(x), "-|")
    > [1] "|-abc-|" "|-NA-|"
    
    

    如以上代码所示,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")
    > [1] "prefix-a-suffix" "prefix-b-suffix" "prefix-c-suffix"
    

    长度为 0 的对象会被无声无息地丢弃。这与 if 结合起来特别有用:

    name <- "Hadley"
    time_of_day <- "morning"
    birthday <- FALSE
    str_c(
     "Good ", time_of_day, " ", name,
     if (birthday) " and HAPPY BIRTHDAY", # birthday 为True时,才会打印后面的语句
     "."
    )
    > [1] "Good morning Hadley."
    

    要想将字符向量合并为字符串,可以使用 collapse() 函数:

    str_c(c("x", "y", "z"), collapse = ", ")
    > [1] "x, y, z"
    

    9.2.3 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 startend 参数,它们给出了子串的位置(包括 startend 在内):

    x <- c("Apple", "Banana", "Pear")
    str_sub(x, 1, 3) # 开始、结束的位置参数
    > [1] "App" "Ban" "Pea"
    # 负数表示从后往前数
    str_sub(x, -3, -1)
    > [1] "ple" "ana" "ear"
    

    注意,即使字符串过短,str_sub() 函数也不会出错,它将返回尽可能多的字符:

    str_sub("a", 1, 5)
    > [1] "a"
    

    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)) #函数将文本转换为小写
    x
    > [1] "apple" "banana" "pear"
    

    9.3 使用正则表达式进行模式匹配

    我们通过 str_view()str_view_all() 函数来学习正则表达式。这两个函数接受一个字符向量和一个正则表达式,并显示出它们是如何匹配的。

    9.3.1 基础匹配

    最简单的模式是精确匹配字符串 :

    x <- c("apple", "banana", "pear")
    str_view(x, "an")
    
    10

    另一个更复杂一些的模式是使用 .,它可以匹配任意字符(除了换行符):

    str_view(x, ".a.")
    
    11

    但是,如果 . 可以匹配任意字符,那么如何匹配字符 . 呢?你需要使用一个“转义”符号来告诉正则表达式实际上就是要匹配 . 这个字符,而不是使用 . 来匹配其他字符。和字符串一样,正则表达式也使用反斜杠来去除某些字符的特殊含义。因此,如果要匹配 .,那么你需要的正则表达式就是 \.。遗憾的是,这样做会带来一个问题。因为我们使用字符串来表示正则表达 式,而且 \ 在字符串中也用作转义字符,所以正则表达式 \. 的字符串形式应是 \\.

    # 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")
    
    12

    如果 \ 在正则表达式中用作转义字符,那么如何匹配 \ 这个字符呢?我们还是需要去除其特殊意义,建立形式为 \\ 的正则表达式。要想建立这样的正则表达式,我们需要使用一个字符串,其中还需要对 \ 进行转义。这意味着要想匹配字符 \,我们需要输入 "\\\\"—— 你需要 4 个反斜杠来匹配 1 个反斜杠!

    x <- "a\\b"
    writeLines(x)
    > a\b
    str_view(x, "\\\\")
    
    13

    9.3.2 锚点

    默认情况下,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$")
    
    14

    [图片上传失败...(image-8a207a-1614859299444)]

    始于权力(^),终于金钱($

    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 ^$ 这两个锚点:

    x <- c("apple pie", "apple", "apple cake")
    str_view(x, "apple")
    
    16
    str_view(x, "^apple$")
    
    17

    还可以使用 \b 来匹配单词间的边界。例如,为了避免匹配到 summarizesummaryrowsum 等,我们会使用 \bsum\b 进行搜索。

    9.3.3 字符类与字符选项

    很多特殊模式可以匹配多个字符。我们已经介绍过 .,它可以匹配除换行符外的任意字符。 还有其他 4 种常用的字符类。

    • \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。

    牢记,要想创建包含 \d\s 的正则表达式,你需要在字符串中对 \ 进行转义,因此需 要输入 "\\d" 或 "\\s"。

    你还可以使用字符选项创建多个可选的模式。例如,abc|d..f 可以匹配 abcdeaf。注 意,因为 | 的优先级很低,所以 abc|xyz 匹配的是 abcxyz,而不是 abcyzabxyz。与 数学表达式一样,如果优先级让人感到困惑,那么可以使用括号让其表达得更清晰一些:

    str_view(c("grey", "gray"), "gr(e|a)y")
    
    18

    9.3.4 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?")
    
    22
    str_view(x, "CC+")
    
    20
    str_view(x, 'C[LX]+')
    
    21

    注意,这些运算符的优先级非常高,因此使用 colou?r 既可以匹配 color,也可以匹配 colour。这意味着很多时候需要使用括号,比如 bana(na)+

    还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 nm 次。
    str_view(x, "C{2}")
    str_view(x, "C{2}")
    str_view(x, "C{2}")
    #大家自行观察
    

    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。

    str_view(x, 'C{2,3}?')
    
    23
    str_view(x, 'C[LX]+?')
    
    24

    9.3.5 分组与回溯引用

    前面学习了括号可以用于消除复杂表达式中的歧义。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。例如,以下的正则表达式可以找出名称中有重复的一对字母的所有水果:

    fruit <- c("banana","coconut","cocumber","jujube","papaya","salal berry")
    str_view(fruit, "(..)\\1", match = TRUE)
    
    25

    相关文章

      网友评论

        本文标题:《R数据科学》学习笔记|Note9:使用stringr处理字符串

        本文链接:https://www.haomeiwen.com/subject/udakqltx.html