Mac版R语言（五）使用正则表达式（Regular Expressions）提取数据信息

        通常情况下，我们收集到的数据可能是混合字段或非标准化的数据集。这些数据往往需要我们通过一定的方式，提取出其中特定维度或字段的信息，并以此创建新的数据集。

        在低维数据中，可以使用剔除行列的方式选取特定字段的信息；或者直接进行行列选取的方法（具体实现方式，详见（三）数据的导入点击打开链接），但是当数据库是高维度数据库、空间数据库、非标准化数据库时，如HDF5，普通的删除行列方式提取信息的效率非常低下。本节内容，是通过正则表达式（Regular Expressions）实现信息的精确提取，本章内容的关键名词将全部实现中英文双标，涵盖以下几个要点：

• 指定信息提取／指定数据类型提取
• 混乱数据集的特定信息提取
• 非标准化数据集的特定信息提取

以上实现方式全部基于Regular Expression。

一. 指定信息提取／指定数据类型提取

> setwd("~/Desktop")
> getwd()
[1] "/Users/Apple/Desktop"
> library(stringr)  #需提前安装 stringr 包，具体安装方法，请见第一篇博客内容点击打开链接
> strings <- c(
+ "apple",
+ "219 733 8965",
+ "329-293-8753",
+ "Work:579-499-752;Home:543.355.3679"
+ )
> phone <- "([1-9][0-9]{2}[- .][0-9]{3}[- .][0-9]{4})"  #phone的Pattern matching，第一个数2～9，第二个数0～9有两个，分隔符为-空格.

> str_detect(strings,phone)     #strings中哪些项符合phone的regular expression匹配，返回相应位置逻辑值
[1] FALSE  TRUE  TRUE  TRUE

>  str_subset(strings,phone)     #str_subset() returns the elements of a character vector that match a regular expression 
[1] "219 733 8965"     "329-293-8753"                       
[3] "Work:579-499-7527;Home:543.355.3679"

> str_extract(strings,phone)      #str_extract() extracts text corresponding to the first match, returning a character vector
[1] NA             "219 733 8965" "329-293-8753" "579-499-7527"

> str_extract_all(strings,phone,simplify = T)   #str_extract_all() extracts all matches and returns a list of character vectors.
     [,1]           [,2]          
[1,] ""             ""            
[2,] "219 733 8965" ""            
[3,] "329-293-8753" ""            
[4,] "579-499-7527" "543.355.3679"

> str_split(stringrs,"[- .]")    # str_split() splits a string into a variable number of pieces and returns a list of character vectors.
[[1]]
[1] "apple"


[[2]]
[1] "219"  "733"  "8965"


[[3]]
[1] "329"  "293"  "8753"


[[4]]
[1] "Work:579"      "499"           "7527;Home:543" "355"           "3679"