字符串设置stringr-1

字符串处理中最为常见的四种手段有“拆、替、抽、取”，stringr包有众多处理字符串的函数，一般都是以str_开头命名，便于记忆。

1、字符串连接str_c

• 关于字符串的连接我习惯用paste（）
• stringr包中也有类似的函数str_c
• 两个函数基本一样，都有sep（多变多） collapse（多变一）设置
• 不同点，关于NA的处理和sep默认设置(有无空格)

> str_c("a", "b", str_replace_na(NA))
[1] "abNA"
> str_c("a", "b", NA)
[1] NA
> paste("a","b",NA,sep="")
[1] "abNA"

2、拆:str_split

• 根据数值中 , 空格 - / %等字符，拆分为两个向量
• 联想到tidyr包中的separate

str_split(string, pattern, n = Inf, simplify = FALSE) 
string：指定需要处理的字符串向量 
pattern：分隔符，可以是复杂的正则表达式
n：指定切割的份数，默认所有符合条件的字符串都会被拆分开来 
simplify：是否返回字符串矩阵，默认以列表的形式返回

• 举例

> email <- c('lsxxx2011@163.com','1029776077@qq.com',
              'qazwsx@gmail.com','abc123edc@126.com')
> # 结合sapply函数获得@分隔符前面和后面的内容
> str_split(email,"@")
[[1]]
[1] "lsxxx2011" "163.com"  
[[2]]
[1] "1029776077" "qq.com" 
  
> add <- sapply(str_split(email,'@'),'[',1)
> doman <- sapply(str_split(email,'@'),'[',2)
> df <- data.frame(email, add, doman)
> df
              email        add     doman
1 lsxxx2011@163.com  lsxxx2011   163.com
2 1029776077@qq.com 1029776077    qq.com
3  qazwsx@gmail.com     qazwsx gmail.com
4 abc123edc@126.com  abc123edc   126.com

• separate

separate(data, col, into, sep (= 正则表达式), remove =TRUE,convert = FALSE, extra = "warn", fill = "warn", ...)
第一个参数放要分离的数据框；
第二个参数放要分离的列；
第三个参数是分割成的变量的列（肯定是多个），用向量表示；
第四个参数是分隔符，用正则表达式表示，或者写数字，表示从第几位分开

• 注意：对象是数据框

> separate(email,name,into = c("a","b"),sep = "\\.")
              a   b
1 lsxxx2011@163 com
2 1029776077@qq com

> separate(email,name,into = c("a","b"),sep = "@")
           a         b
1  lsxxx2011   163.com
2 1029776077    qq.com

> separate(email,name,into = c("a","b","c"),sep = "([\\.@])")
           a     b   c
1  lsxxx2011   163 com
2 1029776077    qq com

3、 替:str_replace与str_replace_all

• 数值中 , 空格 - / %等字符的替换

str_replace(string, pattern, replacement)
str_replace_all(string, pattern, replacement)
string：字符串向量
pattern：被替换的子字符串，可以是复杂的正则表达式
replacement：用来替换的字符串

• 举例

> #将含有千分位符或百分位符的数据转换为数值型数据
> commadata <- c('123,456','780,123,433','45,234')
> percentdata <- c('23.4%','34.56','44.12%')
> > str_replace_all(commadata, ',', '')
[1] "123456"    "780123433" "45234"    
> str_replace_all(percentdata, '%', '')
[1] "23.4"  "34.56" "44.12"

> commadatanew <- as.numeric(str_replace_all(commadata, ',', ''))
> percentdatanew <- as.numeric(str_replace_all(percentdata, '%', ''))/100

> commadatanew
[1] 123456 780123433     45234
> percentdatanew
[1] 0.2340 0.3456 0.4412

4、抽:str_extract、str_extract_all、str_match_all

• 需要正则表达式，提取

str_extract(string, pattern) 
str_extract_all(string, pattern, simplify = FALSE)
string：字符串向量；
pattern：抽取出满足条件的子字符串，往往使用正则表达式；
simplify：是否返回字符串矩阵，默认以列表的形式返回，
all：两个函数的区别在于，前面函数只抽取出首次满足条件的子字符串，
后面的函数可以抽取出所有满足条件的子字符串。
当前面的函数没有匹配到抽取的结果，则返回NA，而后面的函数在没有匹配到
抽取的结果时返回character(0)。

• 举例

# 抽取出字符串中的日期和流量值
s <- c(
'date:2017-04-14,pv:223453',
'date:2017-04-15,pv:228115',
'date:2017-04-16,pv:201233',
'date:2017-04-17,pv:324123')
##提取时间
> date <- str_extract_all(s, '[0-9]{4}-[0-9]{2}-[0-9]{2}')
> unlist(date)
[1] "2017-04-14" "2017-04-15" "2017-04-16" "2017-04-17"
> pv <- str_extract_all(s, 'pv:([0-9]*)')
> unlist(pv)
[1] "pv:223453" "pv:228115" "pv:201233" "pv:324123"
> pv <- str_extract_all(s, 'pv:([0-9]*)',simplify = T)
> pv
     [,1]       
[1,] "pv:223453"
[2,] "pv:228115"
[3,] "pv:201233"
[4,] "pv:324123"

5、取:str_sub

• 类似excel中的left，right提取数值。

str_sub(string, start = 1L, end = -1L)
string：字符串向量
start：指定获取子字符串的起始位置
end：指定获取子字符串的终止位置
注意：如果start或end为负整数时，则从字符串的最后一个字符向前查询

• 举例

> str_sub(s,1,15)
[1] "date:2017-04-14" "date:2017-04-15" "date:2017-04-16" "date:2017-04-17"
> str_sub(s,17,30)
[1] "pv:223453" "pv:228115" "pv:201233" "pv:324123"