随机生成元素升序向量_02. 常用文本处理内置函数

开始之前，先说几点

第一，这一节讲什么？

​ 这一节仅仅讲R内置的文本处理相关函数，统计类的函数暂时不涉及

​ 内置函数指的是R语言自带的函数，例如上一讲提到的pirnt和cat

​ 对应的，外置函数(一般不这么说哈)指的是R包中封装的函数

​ R语言文本处理方面也有一些十分优秀的软件包，比如stringr、dplyr等等

​ 这些会在最后一节作为进阶内容

第二，这一节如何讲？

​ 首先将常用函数大致分为：向量相关、排序相关、字符相关、匹配相关、表格相关

​ 然后对每一个函数会简单文字描述其具体功能和该函数相关参数的意义

​ 其次会根据我的经验列出每一个函数的关键词，便于搜索

​ 最后会用具体案例来展示每一个函数的功能实现

​ 强烈建议：可以将本节内容保存下来，可以当作复查表，在需要时候随时翻阅

第三，这一节的目的？

​ 这一节的主要目的是将常用的内置函数都一一罗列出来，让大家熟悉一下

​ 大伙看一下，有个印象——“这些个R函数都能干什么”

​ 以后需要的时候，回头来这里找就行

​ 当然了，如果你能都操作一遍就更好了

啰嗦两句：

​ R的函数太多了，我们这一节就讲常用的文本函数

​ 甚至每一个函数的讲解可能只涉及该函数的部分功能或参数

​ 比如重复函数rep中有一个参数lenth.out可以指定返回值的长度

​ 但是如果通过下标限制来实现的话会更符合常规用法

​ 所以在介绍函数rep时候就会舍去这个参数

> rep(1:9,each=2)

[1] 1 1 2 2 3 3 4 4 5 5 6 6 7 7 8 8 9 9

> rep(1:9,each=2,length=4)

[1] 1 1 2 2

> rep(1:9,each=2)[1:4]

[1] 1 1 2 2

OK，下面正式开始。

向量相关函数

is.na-判断空值

搜索关键词：空值

is.na(x)

x:向量

> is.na(c('Hello', 'World',NA, 'Lab', 267))

[1] FALSE FALSE TRUE FALSE FALSE

union-计算并集

搜索关键词： 并集

union(x,y)

x, y:向量

> union(1:4,2:5)

[1] 1 2 3 4 5

> union(1:4,8:10)

[1] 1 2 3 4 8 9 10

Tips: union只可以处理俩个向量，那如何计算多个向量的并集呢？

> union(1:4,union(2:5,8:10))

[1] 1 2 3 4 5 8 9 10

这个例子是想强调：函数是可以叠加的，不同函数之间也是如此

intersect-计算交集

搜索关键词： 交集

intersect(x,y)

x, y:向量

> intersect(1:4,2:5)

[1] 2 3 4

> intersect(1:4,8:10)

integer(0) # 表示没有并集

Tips：先求并集，再求交集

> intersect(1:4,union(2:5,8:10))

[1] 2 3 4

setdiff-获取左向量的特有元素

搜索关键词：左向量 特有 唯一

setdiff(x,y)

x, y:向量

> setdiff(1:4,2:5)

[1] 1

> setdiff(1:4,8:10)

[1] 1 2 3 4

seq-生成数值型向量

搜索关键词：序列 生成 间隔

seq(from,to,by=,length.out=)

from:起始数值

to:终止数值

by:序列间隔,默认为1

length.out:将from-to区间划分为多少份，可简化为len

> seq(1,9,by=3) # 生成1到9，以3为间隔的序列

[1] 1 4 7

> seq(1,9,len=4) #将1到9的序列，划分为4等份

[1] 1.000000 3.666667 6.333333 9.000000

sample-随机抽取向量

搜索关键词：随机

sample(x,size,replace=FALSE)

x:待随机抽取的向量

size:抽取的次数，默认抽取length(x)次

replace:是否重复抽样

> sample(1:10) # 从1:10序列中随机不放回抽取10次

[1] 2 9 3 4 7 1 5 6 8 10

> sample(1:10,5) # 从1:10序列中随机不放回抽取5次

[1] 8 2 6 4 5

> sample(1:10,5,rep=T) # 从1:10序列中随机放回抽取5次

[1] 2 4 8 10 5

> sample(c('Hello', 'World', 'Lab', 267),2)

[1] "Lab" "Hello"

注意：

随机抽取意味着运行两次sample(1:10，5)得到的结果不一样

set.seed()可以重复随机结果，括号里面的内容随便写

只要前后两次都是一样，那么就会获得相同的结果

请自行运行两次，每次都可以获得2 7 7 7 9

set.seed(1234)

sample(1:10,5,rep=T)

rep-重复向量

搜索关键词：重复

rep(x,each,times)

x:待重复的向量

each:每一个元素重复的次数

times:向量整体重复次数

> rep(c('Hello', 'World', 'Lab', 267),2) # 向量整体重复2次

[1] "Hello" "World" "Lab" "267" "Hello" "World" "Lab" "267"

> rep(c('Hello', 'World', 'Lab', 267),each=2) # 向量的每一个元素依次重复2次

[1] "Hello" "Hello" "World" "World" "Lab" "Lab" "267" "267"

> rep(c('Hello', 'World', 'Lab', 267),1:4) # 向量的每一个元素重复不同次数

[1] "Hello" "World" "World" "Lab" "Lab" "Lab" "267" "267" "267" "267"

> rep(c('Lab', 267),each=2, times=3) #向量每一个元素重复2次，总共重复3次

[1] "Lab" "Lab" "267" "267" "Lab" "Lab" "267" "267" "Lab" "Lab" "267" "267"

rev-反向排列向量

搜索关键词：反向 反序 逆序

rev(x)

x:待反向排列的向量

> rev(1:4)

[1] 4 3 2 1

> rev(c('a','b','c','d'))

[1] "d" "c" "b" "a"

table-频次统计

搜索关键词：频次 统计 计数

table(x)

x:待统计向量

> table(c(1,2,2,4,7,1,1))

1 2 4 7

3 2 1 1

排序相关函数

sort-元素重排

搜索关键词：排序 重排

sort(x, decreasing=FALSE)

x: 待重排向量

decreasing: 降序排列，默认FALSE

> sort(c(4,2,1,5,8,1,4))

[1] 1 1 2 4 4 5 8

> sort(c(4,2,1,5,8,1,4),decreasing = T)

[1] 8 5 4 4 2 1 1

> sort(c('b','e','a')) # 返回重新排序后的向量

[1] "a" "b" "e"

order-求元素顺序

搜索关键词：排序 顺序

order(x, decreasing=FALSE)

x: 待排序向量

decreasing: 降序排列，默认FALSE

> order(c('b','e','a')) # 返回排序的坐标值

[1] 3 1 2

> order(c('b','e','a'),decreasing = T)

[1] 2 1 3

rank-求元素排名

搜索关键词：排序 排名

rank(x)

x: 待求排名的向量

> rank(c('b','e','a')) # 返回元素的排名

[1] 2 3 1

字符相关函数

tolower-字符串小写转换

搜索关键词：小写

tolower(x)

x: 待转换字符串或字符串向量

> tolower(c('Hello World','Lab 267'))

[1] "hello world" "lab 267"

toupper-字符串大写转换

搜索关键词：大写

toupper(x)

x: 待转换字符串或字符串向量

> toupper(c('Hello World','Lab 267'))

[1] "HELLO WORLD" "LAB 267"

chartr-单个字符转换

搜索关键词：转换 单个

chartr(old,new,x)

old: 待转换原始字符

new: 待转换目标字符

x: 带转换字符串或字符串向量

> chartr('H','h','Hello World')

[1] "hello World"

> chartr('H','hE','Hello World')

[1] "hello World"

> chartr('He','hE','Hello World')

[1] "hEllo World"

> chartr('o','O',c('Hello World','Laboratory 267'))

[1] "HellO WOrld" "LabOratOry 267"

Tips: chartr转换字符前后长度不变，如果new长度大于old，截取new部分字符进行转换

sub-字符串替换

搜索关键词：替换 批量 正则

sub(pattern, replacement, x)

pattern:待替换原始字符串模式

replacement:待替换目标字符串

x: 待转换字符串或字符串向量

> sub("a","A",c("abcda","adcba")) #只替换每次字符串的第1个匹配

[1] "Abcda" "Adcba"

> gsub("a","A",c("abcda","adcba")) #替换所有匹配

[1] "AbcdA" "AdcbA"

> sub('o.*r','AAAA',c('Hello World','Laboratory 267')) #贪婪匹配：匹配尽可能多的字符

[1] "HellAAAAld" "LabAAAAy 267"

> sub('o.*?r','AAAA',c('Hello World','Laboratory 267')) #懒惰匹配：匹配最短的字串

[1] "HellAAAAld" "LabAAAAatory 267"

pattern参数可以结合正则表达式进行通配

正则表达式语法规则：

. 除了换行以外的任意字符

^ 放在句首，表示一行字符串的起始

$ 放在句尾，表示一行字符串的结束

*零个或者多个之前的字符

+一个或者多个之前的字符

? 零个或者一个之前的字符

substr-字符串截取

搜索关键词：截取

substr(x, start, stop)

x:待截取字符串或字符串向量

start:起始位置

stop:终止位置

> substr(c('Hello World','Lab 267'),1,4)

[1] "Hell" "Lab "

strsplit-字符串切割

搜索关键词：切割

strsplit(x, split)

x:待切割字符串或字符串向量

split:分隔符

> strsplit(c("Hello World", 'Lab 267'), ' ')

[[1]]

[1] "Hello" "World"

[[2]]

[1] "Lab" "267"

Tips: strsplit返回结果形式为列表，可以通过unlist函数将列表转化为向量

> unlist(strsplit('Hello World', ' '))

[1] "Hello" "World"

paste-字符串连接

搜索关键词：连接

paste(…,sep="",collapse=NULL)

...:一个或多个R对象

sep:元素分隔符

collapse:字符串分隔符

> paste('Hello','World',sep=', ')

[1] "Hello, World"

> paste('Hello','World','Lab',267,sep=', ')

[1] "Hello, World, Lab, 267"

> paste(c('Hello','World'),c('Lab',267),sep=', ')

[1] "Hello, Lab" "World, 267"

> paste(c('Hello','World'),c('Lab',267),sep=', ',collapse = '; ')

[1] "Hello, Lab; World, 267"

匹配相关函数

match-整词匹配

搜索关键词：匹配 查询

match(x,table)

x:待查询值

table:匹配模板

> match(c('Hi', 'Wor', 'Lab', 267),c('Hello', 'World','Lab', 267))

[1] NA NA 3 4

Tips: match返回值为table中匹配x值的位置，没有匹配上返回NA; %in% 类似match,但是返回值为逻辑值

> c('Hi', 'Wor', 'Lab', 267) %in% c('Hello', 'World','Lab', 267)

[1] FALSE FALSE TRUE TRUE

grep-关键字搜索

搜索关键词：搜索 查询

grep(pattern, x)

pattern:待搜索字符串模式

x: 待搜索字符串或字符串向量

> grep('ab',c('Hello', 'World','Lab', 267)) # 返回匹配上的位置

[1] 3

> grepl('ab',c('Hello', 'World','Lab', 267)) # 返回逻辑值

[1] FALSE FALSE TRUE FALSE

Tips: match为整词匹配，grep为关键字匹配；match第一个参数可以是向量，grep第一个参数只能是字符；match不能使用正则，grep可以使用正则

数据框相关函数

Tips：数据框相关函数本来应该放在下一篇介绍data frame基本操作之后再讲述，考虑之后还是将其放置于此，今后查找常用函数时候就不用打开两个文档了

subset-数据框截取

subset可以根据自定义条件截取数据框子集

搜索关键词：数据框 截取 子集

subset(x,...,select)

x: 数据框

...: 条件选择，主要针对行操作

select: 条件选择，主要针对列操作

> head(airquality) # airquality是R内置的示例数据集

Ozone Solar.R Wind Temp Month Day

1 41 190 7.4 67 5 1

2 36 118 8.0 72 5 2

3 12 149 12.6 74 5 3

4 18 313 11.5 62 5 4

5 NA NA 14.3 56 5 5

6 28 NA 14.9 66 5 6

> head(subset(airquality,Temp > 80, select = c(Ozone,Temp))) #选择 Temp>80的行，并且只展示Ozone和Temp列

Ozone Temp

29 45 81

35 NA 84

36 NA 85

38 29 82

39 NA 87

40 71 90

> head(subset(airquality, Day == 1, select = -Temp)) #选择Day=1的行，并且删除Temp列

Ozone Solar.R Wind Month Day

1 41 190 7.4 5 1

32 NA 286 8.6 6 1

62 135 269 4.1 7 1

93 39 83 6.9 8 1

124 96 167 6.9 9 1

split-数据框拆分

split可以根据某一列(因子型)将数据框拆分为不同子集

搜索关键词： 数据框 拆分 子集 因子

split(x, f)

x: 数据框

f: 因子型列表

> head(iris) # iris为R内置

Sepal.Length Sepal.Width Petal.Length Petal.Width Species

1 5.1 3.5 1.4 0.2 setosa

2 4.9 3.0 1.4 0.2 setosa

3 4.7 3.2 1.3 0.2 setosa

4 4.6 3.1 1.5 0.2 setosa

5 5.0 3.6 1.4 0.2 setosa

6 5.4 3.9 1.7 0.4 setosa

> class(iris$Species) # Species列为因子型

[1] "factor"

> levels(iris$Species) # 查看Species的类别

[1] "setosa" "versicolor" "virginica"

> class(split(iris,iris$Species)) # 拆分后的数据类型为列表

[1] "list"

> names(split(iris,iris$Species)) # 拆分后的列表名称

[1] "setosa" "versicolor" "virginica"

> head(split(iris,iris$Species)[['versicolor']]) # 查看拆分后的versicolor子集

Sepal.Length Sepal.Width Petal.Length Petal.Width Species

51 7.0 3.2 4.7 1.4 versicolor

52 6.4 3.2 4.5 1.5 versicolor

53 6.9 3.1 4.9 1.5 versicolor

54 5.5 2.3 4.0 1.3 versicolor

55 6.5 2.8 4.6 1.5 versicolor

56 5.7 2.8 4.5 1.3 versicolor

merge-数据框合并

merge可以根据列名合并两个不同的数据框

merge可能是大多数人需求度最高的一个函数

merge(x, y, by = intersect(names(x), names(y)),

by.x = by, by.y = by, all = FALSE, all.x = all, all.y = all)

x: 数据框

y: 数据框

by: 指定合并依据列，默认根据数据框列名自行判断

all: 指定输出方式，默认仅输出非空行

自定义数据框

> df1 = data.frame(CustomerId = c(1:6), Product = c(rep("Toaster", 3), rep("Radio", 3)), Taste=c(rep("Sweet", 3), rep("bitter", 3))); df1

CustomerId Product Taste

1 1 Toaster Sweet

2 2 Toaster Sweet

3 3 Toaster Sweet

4 4 Radio bitter

5 5 Radio bitter

6 6 Radio bitter

> df2 = data.frame(CustomerId = c(2, 4, 7), State = c(rep("Alabama", 2), rep("Ohio", 1)), Flavour=c(rep("Sweet", 3), rep("bitter", 3))); df2

CustomerId State Flavour

1 2 Alabama Sweet

2 4 Alabama Sweet

3 7 Ohio Sweet

4 2 Alabama bitter

5 4 Alabama bitter

6 7 Ohio bitter

> df3 = data.frame(CustomerId = c(1, 4, 7), Product = c("Toaster","Alabama", "Ohio")); df3

CustomerId Product

1 1 Toaster

2 4 Alabama

3 7 Ohio

> merge(x=df1, y=df2) #默认根据df1、df2相同列CustomerID进行合并

CustomerId Product Taste State Flavour

1 2 Toaster Sweet Alabama Sweet

2 2 Toaster Sweet Alabama bitter

3 4 Radio bitter Alabama Sweet

4 4 Radio bitter Alabama bitter

> merge(x=df1, y=df3) #默认根据df1、df3相同列CustomerID、Product进行合并

CustomerId Product Taste

1 1 Toaster Sweet

> merge(df1, df3, by="CustomerId") #指定根据df1、df3相同列CustomerID进行合并

CustomerId Product.x Taste Product.y

1 1 Toaster Sweet Toaster

2 4 Radio bitter Alabama

> head(merge(df1, df2, by.x="Taste", by.y="Flavour")) #指定根据df1的Taste列、df2的Flavour列进行合并

Taste CustomerId.x Product CustomerId.y State

1 bitter 4 Radio 2 Alabama

2 bitter 4 Radio 4 Alabama

3 bitter 4 Radio 7 Ohio

4 bitter 5 Radio 2 Alabama

5 bitter 5 Radio 4 Alabama

6 bitter 5 Radio 7 Ohio

> merge(x=df1, y=df3, by="CustomerId", all=T) #指定根据df1、df3相同列CustomerID进行合并，输出所有内容

CustomerId Product.x Taste Product.y

1 1 Toaster Sweet Toaster

2 2 Toaster Sweet

3 3 Toaster Sweet

4 4 Radio bitter Alabama

5 5 Radio bitter

6 6 Radio bitter

7 7 Ohio

> merge(x=df1, y=df3, by="CustomerId", all.x =T) #指定根据df1、df3相同列CustomerID进行合并，输出df1所有内容

CustomerId Product.x Taste Product.y

1 1 Toaster Sweet Toaster

2 2 Toaster Sweet

3 3 Toaster Sweet

4 4 Radio bitter Alabama

5 5 Radio bitter

6 6 Radio bitter

> merge(x=df1, y=df3, by="CustomerId", all.y = T) #指定根据df1、df3相同列CustomerID进行合并，输出df3所有内容

CustomerId Product.x Taste Product.y

1 1 Toaster Sweet Toaster

2 4 Radio bitter Alabama

3 7 Ohio

Tips：

is.na也可以判断数据框空值

> is.na(merge(x=df1, y=df3, by="CustomerId", all.y = T))

CustomerId Product.x Taste Product.y

[1,] FALSE FALSE FALSE FALSE

[2,] FALSE FALSE FALSE FALSE

[3,] FALSE TRUE TRUE FALSE

complete.cases可以判断数据框某一列是否全部为非空值

> complete.cases(merge(x=df1, y=df3, by="CustomerId", all.y = T))

[1] TRUE TRUE FALSE

na.omit可以删除空行

> na.omit(merge(x=df1, y=df3, by="CustomerId", all.y = T))

CustomerId Product.x Taste Product.y

1 1 Toaster Sweet Toaster

2 4 Radio bitter Alabama