文本预处理学习（1）

nchar和length的字符统计

nchar是向量元素的字符个数，而length是向量长度（向量元素的个数）

x=c('hello world','1','12')
nchar(x);length(x)
length('');nchar('')

字体大小写tolower,toupper,chartr

DNA='AtGCtttACC'
tolower(DNA);toupper(DNA)
chartr(old = 'Tt',new = 'Uu',DNA)
chartr(old = 'Tt',new = 'UU',DNA)#字符替换
#第一个表示T->U,t->u

paste函数

paste应该是R中最常用字符串函数了，也是R字符串处理函数里面非常纯的不使用正则表达式的函数（因为用不着）。它相当于其他语言的strjoin，但是功能更强大。它把向量连成字串向量，其他类型的数据会转成向量，但不一定是你要的结果：

两个参数sep,collapse注意区别

paste("ck",1:6,sep = "")
x=list(a="aaa",b="bbb",c="ccc")
y=list(d=1,e=2)
paste(x,y,sep = "-")#较短的向量被循环使用
paste(x,y,sep = '',collapse = ";")

strsplit函数

strsplit()是一个拆分函数，该函数可以使用正则表达式进行匹配拆分。其命令形式为：
strsplit(x, split, fixed= F, perl= F, useBytes= F)

• 参数x为字符串格式向量，函数依次对向量的每个元素进行拆分
• 参数split为拆分位置的字串向量，默认为正则表达式匹配（fixed=FALSE）。如果你没接触过正则表达式，设置fixed=TRUE，表示使用普通文本匹配或正则表达式的精确匹配。普通文本的运算速度快。
• 参数perl的设置和perl的版本有关，表示可以使用perl语言里面的正则表达式。如果正则表达式过长，则可以考虑使用perl的正则来提高运算速度。
• 参数useBytes表示是否逐字节进行匹配，默认为FALSE，表示是按字符匹配而不是按字节进行匹配。

text_1="we are the world.\nwe are the children!"
cat(text_1) #注意\n被解释称换行符，R里字符串自身也是正则！
strsplit(text_1,' ')

strsplit(text_1,"\\s") #以任意空白符作为分割的位置，注意双反斜线
class(strsplit(text_1, "\\s"))

#strsplit()的返回结果是list类型，如果想将其转换成字符串类型，则可以使用上面提到的unlist()和as.character()。

#有一种特殊情况，如果strsplit()的split参数为空字符串的话，得函数的返回结果是一个个字符。
strsplit(text_1,"")