数据科学系列:数据处理(6)--字符串函数基于R(二)

承接R&Python Data Science系列:数据处理(5)--字符串函数基于R(一)，继续介绍R语言中的字符串函数。

4.2 R语言中的正则表达式

    正则表达式通过各种函数对字符串进行查询，是一种特殊的字符串模式，定义一组规则去匹配符合该规则的字符。R语言中stringr包中用到的ICU(http://userguide.icu-project.org/posix)正则表达式，这里简单介绍一下常用到的正则表达式，简单分为下面几种：

• 完全匹配

• 转义符

• 元字符与反义符

• 重复量词
  

• 分组与条件或

    为了显示字符串中字符函数是怎么匹配的，这里使用str_view()函数进行讲解。

4.2.1 完全匹配

library(stringr)library(htmltools)library(htmlwidgets)text <- c("Flash", "gmy_Flash", "Flash WorkingNotes")

匹配text字符串向量中的"a"：

str_view(text, "a")

匹配字符串向量中的"lash"：

4.2.2 转义符

    字符串中元字符、限定符或者关键词都是有特殊含义的，匹配的时候需要转化成普通字符，只需在前面加上"\"即可。

text1 <- "Flash. WorkingNotes"

    我们想匹配字符串中的"."，如果直接用完全匹配：

str_view(text1, ".")

    为什么匹配到的是"F"呢？因为"."是元字符，要想匹配到普通字符"."，需要使用"\"将其转义成普通字符，若使用"\."匹配，结果会是怎么样呢？

str_view(text1, "\.")

    会报错，是因为\也是特殊符号，也需要使用\进行转义，因此想要匹配到普通字符"."，正确的应该去匹配"\\."

str_view(text1, "\\.")

    如果在使用正则表达式的过程中，发现匹配到并不是你想要的结果，一检查匹配规则是否正确，二是看下你想要匹配的字符是否为一些特殊符号，需要进行转义，三是贪婪匹配还是懒惰匹配。

4.2.3 元字符合反义符

      元字符是正则表达是的最基本元素，匹配某个字符，反义符是取反的意思。

"."元字符

    "."匹配除换行符\n以外的所有字符

text2 <- c("Flash_1 \\n", "2 Flash", "高 \\t3_Flash", "&4_ Flash")str_view(text2, ".")

    

匹配以"l"开始和"h"结束的字符：

str_view(text2, "l..h")

"\w"和"\W"

    "\w"用于匹配匹配字母、数字、汉字以及空格下划线等；而"\W"用于匹配非"\w"的。

str_view(text2, "\\w")

str_view(text2, "\\W")

"\s"与"\S"

    "\s"用于匹配空白符，而"\S"用于非"\s"。

str_view(text2, "\\s")

str_view(text, "\\S")

"\d"与"\D"

    "\d"用于匹配数字，而"\D"用于匹配非"\D".

str_view(text2, "\\d")

str_view(text2, "\\D")

"\b"、"\B"、"^"、"$"

    "\b"用于匹配字符串的开始或者结束，字符串的边界，而"\B"用于非字符串的边界。

"^"用于匹配字符串的开始，"$"用于匹配字符串的结束。

text3 <- c("Flash_1 \\n", "h2 Flash", "高 \\t3_Flash", "&4_ Flash")

匹配text3字符串向量以"h"开始的字符串：

str_view(text3, "\\bh")

等价于

str_view(text3, "^h")

匹配text3字符串向量以"h"开结束的字符串：

str_view(text3, "h\\b")

等价于

str_view(text3, "h$")

4.2.4 重复量词

    元字符是正则表达式的最基本元素，要想匹配多个元字符，例如匹配QQ号是8位数字的QQ的，使用元字符可以写成^\\d\\d\\d\\d\\d\\d\\d\\d$，是不是发现很不简洁，而且容易出错，为了处理类似的重复性问题，正则表达式中有一些重复量词，把重复部分用合适的量词替代。

"*"与"+"重复量词

    注意"*"和"+"的区别："*"匹配0次或者多次；"+"匹配1次或者多次。

text4 <- c("10299980", "a102999803", "b1029998032", "ab20299980", "aabab")

匹配以数字开始且连续几位都是数字：

str_view(text4, "^\\d*")

str_view(text4, "^\\d+")

"?"重复量词

    这里涉及到贪婪和懒惰匹配。

    贪婪匹配：通常正则表达式中包含能接受重复的限定符时，通常是匹配尽量多的字符，称之为贪婪匹配。

    懒惰匹配：希望匹配尽可能少的字符，需要使用"?"限制，只需要在限定符后面加上"?"。

例如：匹配以a开头，以b结束的字符串：

str_view(text4, "^a.*b")

str_view(text4, "^a.*?b")

{n}、{n,}与{n,m}重复量词

    {n}：前面元素刚好重复n次；

    {n,}：前面元素至少重复n次；

    {n,m}：前面元素至少重复n次，最多重复m次；

匹配text4中，刚好是8个数字的字符串：

str_view(text4, "^\\d{8}$")

匹配text4，含有至少8个数字的字符串：

str_view(text4, "\\d{8,}")

    这里可以运行一下str_view(text4, "\\d{8,}?"),加深对贪婪和懒惰匹配的理解。

匹配text4中，含有8-9位数字的字符串：

str_view(text4, "\\d{8,9}")

4.2.5 分组和条件或

    上面重复量词都是重复前面的一个元素，那么如果我们想重复前面两个元素，即需要将前面两个元素作为一个整体。正则表达式中使用()来做分组，把括弧中的元素当做一个整体。

匹配以ab开头的字符串：

str_view(text4, "^(ab)+")

    

    问题又来了，如果想匹配以a开头或者以b开头的字符串，总不能写两个匹配模式吧。正则表达式中使用"|"来表示或(或使用中括号[])，也叫做分支条件，满足分支条件中的任意一种条件时，都会成功匹配。

匹配以字母a或者b开头的字符串：

str_view(text4, "^(a|b)+")

等价于

str_view(text4, "^[ab]+")

4.2.6 R语言正则表达式总结

    正则表达式部分比较晦涩，看书的时候在这个部分花了很长时间，理解这一块，最好是理论结合练习，多写一下案例，下面会接着介绍stringr包中的使用正则表达式的字符串处理函数。