R中的字符串处理

1、 nchar

作用：可以读取一个字符串的实际长度（字符串内部字符数目）

x<-c('Hello','how are you?')
nchar(x)
y<-c('what are you doing',NA,'I do nothing!',23)
nchar(y)

2、length

作用：返回向量和矩阵中元素的个数，数据框列的个数，列表中的元素个数

a<-1:100#向量
b<-matrix(rnorm(50),5,10)#矩阵
c<-ToothGrowth#数据框
d<-list(a,b,c)#列表
length(a);length(b);length(c);length(d)

读者注意区别nchar和length的差异。前者是字符个数，后者是向量长度。

3、tolower和toupper

tolower:将字符串转为小写

toupper:将字符串转为大写

x1<-'ATTGCTACGGACGTT'
x2<-'ATTGCtacgGACGTT'
tolower(x1)
tolower(x2)
y1<-'atgcgtatgcct'
y2<-'atgCGTatgcct'
toupper(y1)
toupper(y2)

4、chartr

作用：字符替换（‘旧’ --> '新'）

语法规则：chartr(old = ,new = ,x = )

old:被替换的x中的旧字符集合

new：替换处理后，新的字符集合，长度必须大于或等于旧的字符集合

x:字符串或者字符串的对象

x <- "MiXeD cAsE 123"
chartr("iXe", "why", x)
chartr("a-cX", "D-Fw", x)

5、casefold

作用:大小写转换的整合版

x<-c('sfjlkDHFGSdklfj')
casefold(x,upper = T)
casefold(x,upper = F)

6、paste

作用：字符串连接，用sep分割

paste(1:12,sep="")
paste(1:12,collapse='')
paste("1st", "2nd", "3rd", collapse = ", ")
paste("1st", "2nd", "3rd", sep = ", ")

sep对多个字符向量连接不起作用，想要连接起来，必须用collapse='自己设定分隔符'。

注意下面的区别：

x<-1:3
y<-c('a','b','c')
paste(x,y,sep='-')
paste(x,y,collapse = ':')
paste(x,y,sep='-',collapse = ':')

7、substr和substring

substr( )函数和substring( )函数是截取字符串最常用的函数，两个函数功能方面是一样的，只是其中参数设置不同。

substr：必须设置参数start和stop，如果缺少将出错

substring：可以只设置first参数，last参数若不设置，指字符串的最大长度。

语法规则：

substr(x, start, stop) 

substring(text, first, last = 1000000L)

substr("abcdef", 2, 4)
substring("abcdef", 1:6, 1:6)
x <- c("asfef", "qwerty", "yuiop[", "b", "stuff.blah.yech")
substr(x, 2, 5)
substring(x, 2, 4:6) # 注意查看输出结果

8、strsplit 

作用：用于字符串分割，其中split 是分割参数。所得结果以默认以list形式展示。其中用于分割的字符串将不再出现，分割后的结果可以结合unlist使用。

语法规则：strsplit(x = ,split = ,fixed = ,perl = ,useBytes = )

x:字符串向量

split:分割参数（参数在结果不会出现）

fixed:默认为正则表达式匹配，否则表示使用普通文本匹配

perl：如果正则表达式很长，正确设置表达式并且使用perl=TRUE可以提高运算速度。

useBytes:是否逐个字节进行匹配，默认为FALSE，即按字符而不是字节进行匹配。

text <- "Hello Robert!\nHello Ava!"
strsplit(text,' ')
strsplit(text, "\\s")# 正则表达式
strsplit(text, "")#空字符，长度为0
unlist(strsplit("a.b.c", "[.]"))#正则表达式
unlist(strsplit("a.b.c", "."))

注意：\n是当成一个字符来处理的

9、sub和gsub

作用：字符串替换，gsub是全局替换，sub仅替换遇到的第一个匹配字符。

语法规则

sub(pattern, replacement, x, ignore.case = FALSE, perl = FALSE,    fixed = FALSE, useBytes = FALSE) 

gsub(pattern, replacement, x, ignore.case = FALSE, perl = FALSE,     fixed = FALSE, useBytes = FALSE)

pattern：欲被替换的字符串，可以使用正则表达式

replacement:替代后的字符串

x:原始字符串

text <- "Hello Robert!\nHello Ava!"
sub(pattern = 'Hello',replacement = 'Hi',x = text)
gsub(pattern = 'Hello',replacement = 'Hi',x = text)
text#观察一下发现原字符串没有变化

结论：虽然sub和gsub是用于字符串替换的函数，但严格地说R语言没有字符串替换的函数，因为R语言不管什么操作对参数都是传值不传址，要改变原变量我们只能通过再赋值的方式。

备注：chartr()的替换单位是字符，sun()和gsub()的替换单位是字符串。

10、grep和grepl

作用：这两个函数返回向量水平的匹配结果，不涉及匹配字符串的详细位置信息。

语法规则

grep(pattern, x, ignore.case = FALSE, perl = FALSE, value = FALSE,     fixed = FALSE, useBytes = FALSE, invert = FALSE) 

grepl(pattern, x, ignore.case = FALSE, perl = FALSE,      fixed = FALSE, useBytes = FALSE)

grep：仅返回匹配项的下标

grepl：返回所有的查询结果，并用逻辑向量表示有没有找到匹配

grep(pattern = "[a-z]",x = letters)
grepl(pattern = '[a-z]',x=letters)

11、regexpr、gregexpr和regexec

作用：在字符串中提取出特定的字符串（pattern）的相关信息，其中，pattern可以是字符串，也可以是正则表达式。

regexpr:只查询匹配第一个特定字符

gregexpr:全部查询

text <- c("Hello, Robert! Hi, Robert!", "How are you, Robert.")
a<-regexpr(pattern = 'ob',text )
b<-gregexpr(pattern = 'ob',text)
c<-regexec(pattern = 'ob',text)
a;b;c;


备注：gregexpr返回一个列表，在直接读取起始位置时，可以借助b[[1]][1]来表示第一次匹配的结果，b[[1]][2]表示第二次匹配的结果。

 b[[1]][1];b[[1]][2];b[[2]][1]

另外，在直接读取匹配字符串长度时，可以使用attr(b[[1]],'match.length)以向量形式返回两次匹配的字符串长度

最后，如果没有匹配发生，返回值为-1。

text <- c("Hello, Robert! Hi, Robert!", "How are you, Robert.")
regexpr(pattern = 'ob',text )
gregexpr(pattern = 'od',text)
regexec(pattern = 'oc',text)

12、strtrim

作用：将字符串修剪到特定的显示宽度

注意：该函数只能去掉多余的字符不能增加其他额外的字符，如果字符串本身的长度小于width，得到的是原字符串。

13、match和charmatch

match：按向量进行运算，返回第一次匹配的元素的位置，非字符向量也可用。

charmatch：读者自己领会吧（汗）

match(x = 'abc',table = c('dkf','abc','123',456))
charmatch("m",   c("mean", "median", "mode"))
charmatch("med", c("mean", "median", "mode"))

其实字符函数还有很多，这里就不一一描述了。下面针对上述出现的常用字符做个总结：

paste函数：字符串连接

strsplit函数：字符串拆分

grep和grepl函数：字符串查询

regexpr、gregexpr和regexec：字符串查询

sub和gsub函数：字符串替换

substr和substring函数：字符串提取

tolower和toupper函数：大小写转换

在结尾，我们谈一谈正则表达式，我们进行字符处理时，一般情况下不是精确的处理，而是处理拥有相似规则的一类字符串，这个时候，就需要用到正则表达式。

1、字符类

字符类用于表达多个字符集合内的任意一个字符，我们常用 [ ] 来表示字符集合（和perl中的字符集很像）。

例如：[aeiou]可用于匹配a、e、 i、 o、 u单个字符，但是不能匹配“aeiou”。

我们还可以给定[ ]一个范围，[0-9]匹配任意一个0~9的数字，[a-z]匹配任意一个小写英文字母。

有些特殊字符可以匹配某类字符集合，.  可以匹配除了\n意外的任意字符，在这里我叫它元字符如果想要匹配点号本身，我们要用\\. 

2、限定符

符号	说明
*	匹配0次以上（包括0次）
+	一次以上，至少一次
？	0或1
^	脱字符，匹配开头的元素
$	匹配结尾的元素
｛n｝	重复n次
｛n,｝	n次或n次以上
｛n,m｝	重复n到m次