《R数据科学》学习笔记|Note9:使用stringr处理字符串(上）

使用stringr处理字符串

本周内容较多且杂，故分成上下两篇。正则表达式是从左到右来匹配一个字符串的。“Regular Expression”这个词太长了，我们通常使用它的缩写“regex”或者“regexp”。 正则表达式可以被用来替换字符串中的文本、验证表单、基于模式匹配从一个字符串中提取字符串等等。关于正则表达式，GitHub上有个很好的项目，如果大家有兴趣的话，可以点赞、在看，我这章之后更新项目笔记。

9.1 简介

本章将介绍 R 中的字符串处理。包括字符串的基本工作原理，以及如何手工创建字符串，但本章的重点是正则表达式（regular expression，regexp）。正则表达式的用处非常大，字符串通常包含的是非结构化或半结构化数据，正则表达式可以用简练的语言来描述字符串中的模式。

9.2 字符串基础

可以使用单引号或双引号来创建字符串。与其他语言不同，单引号和双引号在 R 中没有区别。我们推荐使用 "，除非你想要创建包含多个 " 的一个字符串：

string1 <- "This is a string"
string2 <- 'To put a "quote" inside a string, use single quotes'

如果忘记了结尾的引号，你会看到一个 +，这是一个续行符：

> "This is a string without a closing quote
+

如果遇到了这种情况，可以按 Esc 键，然后重新输入。

如果想要在字符串中包含一个单引号或双引号，可以使用 \ 对其进行“转义”：

double_quote <- "\"" # or '"'
single_quote <- '\'' # or "'"

这意味着，如果想要在字符串中包含一个反斜杠，就需要使用两个反斜杠：\\。

字符串的打印形式与其本身的内容不是相同的，因为打印形式中会显示出转义字 符。如果想要查看字符串的初始内容，可以使用 writelines() 函数：

x <- c("\"", "\\")
x
> [1] "\"" "\\"
writeLines(x)
> "
> \

还有其他几种特殊字符。最常用的是换行符 \n 和制表符 \t，你可以使用 ?'"' 或 ?"'" 调 出帮助文件来查看完整的特殊字符列表。

多个字符串通常保存在一个字符向量中，使用 c() 函数来创建字符向量：

c("one", "two", "three")
> [1] "one" "two" "three"

9.2.1 字符串长度

stringr 中的函数比R基础包中的字符串处理函数名称更直观，并且都是以 str_ 开头的。例如，str_length() 函数可以返回字符串中的字符数量：

str_length(c("a", "R for data science", NA))
> [1] 1 18 NA

9.2.2 字符串组合

要想组合两个或更多字符串，可以使用 str_c() 函数：

str_c("x", "y")
> [1] "xy"
str_c("x", "y", "z")
> [1] "xyz"

可以使用 sep 参数来控制字符串间的分隔方式：

str_c("x", "y", sep = ", ")
> [1] "x, y"

和多数 R 函数一样，缺失值是可传染的。如果想要将它们输出为 “NA”，可以使用 str_ replace_na()：

x <- c("abc", NA)
str_c("|-", x, "-|")
> [1] "|-abc-|" NA
str_c("|-", str_replace_na(x), "-|")
> [1] "|-abc-|" "|-NA-|"

如以上代码所示，str_c() 函数是向量化的，它可以自动循环短向量，使得其与最长的向量具有相同的长度：

str_c("prefix-", c("a", "b", "c"), "-suffix")
> [1] "prefix-a-suffix" "prefix-b-suffix" "prefix-c-suffix"

长度为 0 的对象会被无声无息地丢弃。这与 if 结合起来特别有用：

name <- "Hadley"
time_of_day <- "morning"
birthday <- FALSE
str_c(
 "Good ", time_of_day, " ", name,
 if (birthday) " and HAPPY BIRTHDAY", # birthday 为True时，才会打印后面的语句
 "."
)
> [1] "Good morning Hadley."

要想将字符向量合并为字符串，可以使用 collapse() 函数：

str_c(c("x", "y", "z"), collapse = ", ")
> [1] "x, y, z"

9.2.3 字符串取子集

可以使用 str_sub() 函数来提取字符串的一部分。除了字符串参数外，str_sub() 函数中还 有 start 和 end 参数，它们给出了子串的位置（包括 start 和 end 在内）：

x <- c("Apple", "Banana", "Pear")
str_sub(x, 1, 3) # 开始、结束的位置参数
> [1] "App" "Ban" "Pea"
# 负数表示从后往前数
str_sub(x, -3, -1)
> [1] "ple" "ana" "ear"

注意，即使字符串过短，str_sub() 函数也不会出错，它将返回尽可能多的字符：

str_sub("a", 1, 5)
> [1] "a"

还可以使用 str_sub() 函数的赋值形式来修改字符串：

str_sub(x, 1, 1) <- str_to_lower(str_sub(x, 1, 1)) #函数将文本转换为小写
x
> [1] "apple" "banana" "pear"

9.3 使用正则表达式进行模式匹配

我们通过 str_view() 和 str_view_all() 函数来学习正则表达式。这两个函数接受一个字符向量和一个正则表达式，并显示出它们是如何匹配的。

9.3.1 基础匹配

最简单的模式是精确匹配字符串 ：

x <- c("apple", "banana", "pear")
str_view(x, "an")

另一个更复杂一些的模式是使用 .，它可以匹配任意字符（除了换行符）：

str_view(x, ".a.")

但是，如果 . 可以匹配任意字符，那么如何匹配字符 . 呢？你需要使用一个**“转义”符号来告诉正则表达式实际上就是要匹配 . 这个字符,而不是使用 . 来匹配其他字符。和字符串一样,正则表达式也使用反斜杠**来去除某些字符的特殊含义。因此，如果要匹配 .，那么你需要的正则表达式就是 \.。遗憾的是，这样做会带来一个问题。因为我们使用字符串来表示正则表达 式，而且 \ 在字符串中也用作转义字符，所以正则表达式 \. 的字符串形式应是 \\.：

# 要想建立正则表示式，我们需要使用\\
dot <- "\\."
# 实际上表达式本身只包含一个\：
writeLines(dot)
#> \.
# 这个表达式告诉R搜索一个.
str_view(c("abc", "a.c", "bef"), "a\\.c")

如果 \ 在正则表达式中用作转义字符，那么如何匹配 \ 这个字符呢？我们还是需要去除其特殊意义，建立形式为 \\ 的正则表达式。要想建立这样的正则表达式，我们需要使用一个字符串，其中还需要对 \ 进行转义。这意味着要想匹配字符 \，我们需要输入 “\\\\”—— 你需要 4 个反斜杠来匹配 1 个反斜杠！

x <- "a\\b"
writeLines(x)
> a\b
str_view(x, "\\\\")

9.3.2 锚点

默认情况下，正则表达式会匹配字符串的任意部分。有时我们需要在正则表达式中设置锚点，以便 R 从字符串的开头或末尾进行匹配。我们可以设置两种锚点:

• ^ 从字符串开头进行匹配。

• $ 从字符串末尾进行匹配。

x <- c("apple", "banana", "pear")
str_view(x, "^a")
str_view(x, "a$")

[外链图片转存失败,源站可能有防盗链机制,建议将图片保存下来直接上传(img-WMEMTfXq-1614859189166)(F:\HJH\mzbj\9\15.png)]

始于权力（^），终于金钱（$）

如果想要强制正则表达式匹配一个完整字符串，那么可以同时设置 ^ 和 $ 这两个锚点：

x <- c("apple pie", "apple", "apple cake")
str_view(x, "apple")

str_view(x, "^apple$")

还可以使用 \b 来匹配单词间的边界。例如，为了避免匹配到 summarize、summary、rowsum 等，我们会使用 \bsum\b 进行搜索。

9.3.3 字符类与字符选项

很多特殊模式可以匹配多个字符。我们已经介绍过 .，它可以匹配除换行符外的任意字符。 还有其他 4 种常用的字符类。

• \d 可以匹配任意数字。
• \s 可以匹配任意空白字符（如空格、制表符和换行符）。
• [abc] 可以匹配 a、b 或 c
• [^abc] 可以匹配除 a、b、c 外的任意字符。

牢记，要想创建包含 \d 或 \s 的正则表达式，你需要在字符串中对 \ 进行转义，因此需 要输入 “\\d” 或 “\\s”。

你还可以使用字符选项创建多个可选的模式。例如，abc|d..f 可以匹配 abc 或 deaf。注 意，因为 | 的优先级很低，所以 abc|xyz 匹配的是 abc 或 xyz，而不是 abcyz 或 abxyz。与 数学表达式一样，如果优先级让人感到困惑，那么可以使用括号让其表达得更清晰一些：

str_view(c("grey", "gray"), "gr(e|a)y")

9.3.4 重复

正则表达式的另一项强大功能是，其可以控制一个模式能够匹配多少次。

• ?：0 次或 1 次。
• +： 1 次或多次。
• *：0 次或多次。

x <- "1888 is the longest year in Roman numerals: MDCCCLXXXVIII"
str_view(x, "CC?")

str_view(x, "CC+")

str_view(x, 'C[LX]+')

注意，这些运算符的优先级非常高，因此使用 colou?r 既可以匹配 color，也可以匹配 colour。这意味着很多时候需要使用括号，比如 bana(na)+。

还可以精确设置匹配的次数。

• {n}：匹配 n 次。
• {n,}：匹配 n 次或更多次。
• {,m}：最多匹配 m 次。
• {n, m}：匹配 n 到 m 次。

str_view(x, "C{2}")
str_view(x, "C{2}")
str_view(x, "C{2}")
#大家自行观察

默认的匹配方式是“贪婪的”：正则表达式会匹配尽量长的字符串。通过在正则表达式后面添加一个 ?，你可以将匹配方式更改为“懒惰的”，即匹配尽量短的字符串。

str_view(x, 'C{2,3}?')

str_view(x, 'C[LX]+?')

9.3.5 分组与回溯引用

前面学习了括号可以用于消除复杂表达式中的歧义。括号还可以定义“分组”， 你可以通过回溯引用（如 \1、\2 等）来引用这些分组。例如，以下的正则表达式可以找出名称中有重复的一对字母的所有水果：

fruit <- c("banana","coconut","cocumber","jujube","papaya","salal berry")
str_view(fruit, "(..)\\1", match = TRUE)

之前忘了这个号不能留言，如果大家对内容有疑问的直接在公众号【木舟笔记】后台私信。