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
[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