R语言-正则表达式

在R语言中使用正则表达式替换，可以使用sub()函数，用于全局替换则用gsub()函数。

1、例子

假设有一个字符串向量，需要将多字节文本过滤出来：

>a<-c("abc\x9422",'女','男','女')

如果直接对其使用大小写转换函数toupper()，则会报错：

> toupper(a)
Error in toupper(a) : 多字节字符串1有错

如何将该多字节字符去掉呢？假定它是读数据文件引入，没有意义的。

2、过滤步骤

思路：先将字符串向量转换为字符形式串，然后使用正则表达式替换，因为转换成字符串形式时，只能针对单个向量元素进行，故需要做一个函数，在使用lapply()作用于所有的向量元素。

（1）将字符串向量转换为字符串形式

> deparse(a)
[1] "c(\"abc\\x9422\", \"女\", \"男\", \"女\")"

（2）使用正则表达式替换，首先替换掉\"符号，然后再替换掉多字节字符（模式为：\x\d{2}，也就是\x加两个字符）

sub("\\\"","",deparse(p))

sub("\\\\x\\d{2}",'',sub("\\\"","",deparse(p))

（3）封装成处理函数

b<-function(p){sub("\\\\x\\d{2}",'',sub("\\\"","",deparse(p))}

（4）将字符串处理函数应用到向量

lapply(a,FUN=b)

（5）将结果列表转换为向量

> unlist(lapply(a,FUN=b))
[1] "abc22" "女"    "男"    "女"

（6）完整的表达式

> b<-function(p){sub("\\\\x\\d{2}",'',sub("\\\"","",deparse(p))}

> a2<-unlist(lapply(a,FUN=b))
> a2

[1] "abc22" "女"    "男"    "女"   

> grep("[a-z]", letters)
 [1]  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] 25 26
#参数value的使用

> grep("[a-z]", letters,value=TRUE)
 [1] "a" "b" "c" "d" "e" "f" "g" "h" "i" "j" "k" "l" "m" "n" "o" "p" "q" "r"
[19] "s" "t" "u" "v" "w" "x" "y" "z"
#将字符串的首字母转换为大写

> gsub("^(\\w)", "\\U\\1", "a test of capitalizing", perl=TRUE)
[1] "A test of capitalizing"
#将字符串中每个单词的首字母转换为大写

> gsub("\\b(\\w)", "\\U\\1", "a test of capitalizing", perl=TRUE)
[1] "A Test Of Capitalizing"

#对电子邮件地址进行匹配为例，用一个正则表达式来匹配电子邮件地址是一项很常见的任务。
>text<-c("ben@sina.com","kate@sina..com","ka...te@sina.com","kate@sina.12","kate@12.sina.com")
> text
[1] "ben@sina.com"     "kate@sina..com"   "ka...te@sina.com"
[4] "kate@sina.12"     "kate@12.sina.com"
> grep("(\\w+\\.)*\\w+@(\\w+\\.)+[a-zA-Z]+",text)
[1] 1 3 5