6.字符型数据及其处理

（学习资料参考北京大学李东风老师《R语言教程》）

6 字符型数据及其处理

6.1 字符型向量

字符型向量是元素为字符串的向量。 如：

s1 <- c('abc', '', 'a cat', NA, '李明')

结果会在右上角的环境中如下显示：

注意，空字符串并不能自动认为是缺失值， 字符型的缺失值仍用NA表示。

6.2 paste()函数

针对字符型数据最常用的R函数是 paste() 函数。

1. paste() 用来连接两个字符型向量， 元素一一对应连接， 默认用空格连接。

如输入 paste(c("ab", "cd"), c("ef", "gh")) ，输出结果如下：

相当于 c("ab ef", "cd gh") 。

2. paste() 在连接两个字符型向量时采用R的一般向量间运算规则， 而且可以自动把数值型向量转换为字符型向量。 可以作一对多连接，.

如输入 paste("x", 1:3) ，输出结果如下：

相当于 c("x 1", "x 2", "x 3")。

3. 用 sep= 指定分隔符， 如 paste("x", 1:3, sep="") 结果相当于 c("x1", "x2", "x3") 。
4. 使用 collapse= 参数可以把字符型向量的各个元素连接成一个单一的字符串, 如 paste(c("a", "b", "c"), collapse="") 结果相当于 "abc"。

6.3 转换大小写

toupper() 函数把字符型向量内容转为大写，tolower() 函数转为小写。
如：

toupper('aB cd')

输出结果如下：

再如：

tolower(c('aB', 'cd'))

输出结果如下：

ps. 这两个函数可以用于不区分大小写的比较， 比如，不论x的值是’JAN’, ‘Jan’还是’jan’， toupper(x)=='JAN'的结果都为TRUE。

6.4 字符串长度

用 nchar(x, type='bytes') 计算字符型向量 x 中每个字符串的以字节为单位的长度，这一点对中英文是有差别的， 中文通常一个汉字占两个字节，英文字母、数字、标点占一个字节。

用 nchar(x, type='chars') 计算字符型向量 x 中每个字符串的以字符个数为单位的长度，这时一个汉字算一个单位。

在画图时可以用 strwidth() 函数计算某个字符串或表达式占用的空间大小。

6.5 取子串

1. substr(x, start, stop) 从字符串 x 中取出从第start个到第stop个的子串， 如：

substr('JAN07', 1, 3)

输出结果如下：

2. 如果 x 是一个字符型向量，substr 将对每个元素取子串。如：

substr(c('JAN07', 'MAR66'), 1, 3)

输出结果如下：

3. 用 substring(x, start) 可以从字符串 x 中取出从第start个到末尾的子串。如：

substring(c('JAN07', 'MAR66'), 4)

输出结果如下：

6.6 类型转换

1. 用 as.numeric() 把内容是数字的字符型值转换为数值。as.numeric() 是向量化的， 可以转换一个向量的每个元素为数值型。

先看第一个：

substr('JAN07', 4, 5)

输出结果如下：

意思是取字符串中第4、5个，得到结果是07字符串

再看第二个

substr('JAN07', 4, 5) + 2000

输出结果如下：

因为得到的07是字符串，不能和2000相加，所以出现报错，如果想要他们相加做如下处理：

as.numeric(substr('JAN07', 4, 5)) + 2000

输出结果如下：

此时将第一个字符串变成数值07，就可以和2000相加。
再如：

as.numeric(substr(c('JAN07', 'MAR66'), 4, 5))

输出结果如下：

2. 用 as.character() 函数把数值型转换为字符型，如：

as.character((1:5)*5)

输出结果如下：

3. 为了用指定的格式数值型转换成字符型， 可以使用 sprintf() 函数， 其用法与C语言的 sprintf() 函数相似， 只不过是向量化的。例如：

sprintf('file%03d.txt', c(1, 99, 100))

输出结果如下:

没太看懂？？

6.7 字符串拆分

用 strsplit() 函数可以把一个字符串按照某种分隔符拆分开，例如：

x <- '10,8,7'
strsplit(x, ',', fixed=TRUE)[[1]]

输出结果如下：

如果想把 x中各数值求和，可用以下函数：

sum(as.numeric(strsplit(x, ',', fixed=TRUE)[[1]]))

输出结果如下：

6.8 字符串替换功能

用 gsub() 可以替换字符串中的子串， 这样的功能经常用在数据清理中。 比如，把数据中的中文标点改为英文标点， 去掉空格，等等。 如：

x <- '1, 3; 5'
gsub(';', ',', x, fixed=TRUE)

输出结果如下：

这里 gsub 函数，把原来x中的分号换成了逗号输出。

再举个例子：

strsplit(gsub(';', ',', x, fixed=TRUE), ',')[[1]]

输出结果如下：

以上是先将x中的分号换成逗号，再按分隔符拆开

6.9 正则表达式

正则表达式 (regular expression) 是一种匹配某种字符串模式的方法。 用这样的方法，可以从字符串中查找某种模式的出现位置， 替换某种模式，等等。 这样的技术可以用于文本数据的预处理， 比如用网络爬虫下载的大量网页文本数据。 R中支持perl语言格式的正则表达式， grep() 和 grepl() 函数从字符串中查询某个模式， sub() 和 gsub() 替换某模式。 比如， 下面的程序把多于一个空格替换成一个空格：

gsub('[[:space:]]+', ' ', 'a   cat  in a box', perl=TRUE)

输出结果如下：