R: 字符查询匹配和替换 grep(...) - Pattern Matching and Replacement

R语言中文本处理的重要一环，而R里面最强大的文本处理公式就是grep()一类的general函数(无需添加任何新的package)。

grep的全称是global search regular expression and print out the line，是Unix下一种强大的文本搜索工具，可以通过正则表达式搜索文本，并把匹配的行打印出来 [1] 。

-+--+- -+--+- -+--+- -+--+- -+--+- -+--+- -+--+- -+--+- -+--+- -+--+- -+--+- -+--+- -+--+- -+--+-

R document里，grep系列包含grep, grepl, sub, gsub, regexpr, gregexpr, regexec 7个主要函数。

-----------------------------------------------------------------------------------------------

这些公式的主要共用参数有:

• pattern: 搜索标准。(可参考EXCEL中Match()函数的第一个参数lookup_value)
• • 可以是一个正则表达式，也可以是一个字符串，如果是字符串，则需明确fixed = TRUE (请看下文)；
  • pattern的赋值会被转换成字符格式(用as.character)；
  • 如果pattern被赋值为一个长度大于1的字符型向量，则函数只读取第一个元素并提示警告信息；
  • 除regexpr和gregexpr以外，其它函数均可以查询缺失值(NA, NaN, etc.)
• x, text: 被搜索项。(可参考EXCEL中Match()函数的第二个参数lookup_array)
• • 可以是一个字符型向量，也可以是一个能够被as.character转换成字符向量的对象；
  • 长向量(LongVectors, 向量长度>=2^31)也可以作为赋值项。
• ignore.case: 默认值为FALSE。F表示区分大小写，T则表示不区分
• perl: 默认为F，选择T表示使用Perl的正则表达式规则，功能更加强大[2]。
• fixed: 精确匹配。(可参考EXCEL中Match()函数的第三个参数match_type)
• • 默认为F。如果为T，则表示精确查找(即不使用正则表达式规则)。
  • 这个参数在所有参数中优先级最高，如果有冲突，则以此参数赋值为准。
• useBytes: 字节匹配。默认为F：按字符逐个查询。如果为T，则按字节逐个查询(所以这个参数对中文，日文韩文这样的字符来说是没有作用的)。

另有三个独特参数：

• invert: 只在grep(...)中使用。默认为F，如果为T，则返回不匹配的元素的坐标或值，即查找pattern的补集
• value: 只在grep(...)中使用。默认为F，如果为T，则返匹配值的元素值(而非下标)
• replacement: 顾名思义用于替换pattern，只在sub(...)和gsub(...)中使用。
• • 替换项被自动转换成字符格式；
  • 若fixed = F，则可包含如"\1","\9"这样的字符[3]；
  • 若只有perl = T，则可用"\U","\L"去将剩余替代项转换成大写或者小写，用”\E“去转换end case[4]；
  • 如果replacement是长度大于2的向量，则只有第一个元素被使用，并会弹出警告信息；
  • 如果replacement是NA，则所有对应匹配项的元素，都会被设置为NA。

-----------------------------------------------------------------------------------------------

7个函数可以分为3组

• grep, grepl: 返回pattern的匹配项。
• • 前者返回匹配项目的下标；后者返回逻辑值，x长度有多少，就返回多少个逻辑值。
  • 如果添加一个value参数，赋值为T，则返回匹配项的值。

> text <- c("Company", "Coworker", "Cooperation", "Can")

> grep("o", text)

[1] 1 2 3

> grepl("o", text)

[1]  TRUE  TRUE  TRUE FALSE

> grep("o", text, value = T)

[1] "Company"     "Coworker"    "Cooperation"

• sub, gsub: 返回用replacement替换匹配项之后的x(字符型向量)。前者只替换向量中每个元素的第一个匹配值，后者替换所有匹配值。注意以下两个例子中"o"的替换方式。

           > sub("o", "xx", text)

     [1] "Cxxmpany"     "Cxxworker"    "Cxxoperation" "Can" 

> gsub("o", "xx", text)

[1] "Cxxmpany"       "Cxxwxxrker"     "Cxxxxperatixxn" "Can"     

• regexpr, gregexpr, regexec
• • regexpr: 应该是regular expression的缩写。
  • • 返回一个与x同样长度的整数向量，标记vector中每个元素第一个匹配项的下标。-1表示没有匹配；
    • match.length返回各匹配项长度，-1表示该元素非匹配项。
  • gresgexpr: 应该是general regular expression的缩写
  • • 返回一个list，x的长度是多少，list就有多少个元素；
    • list中每个元素的向量值对应x的中对应元素匹配pattern的所有下标；
    • list中每个元素的形式都与regexpr的结果一样。
  • regexec: 不知道是神马的缩写(假设exec是execuion吧)。
  • • 相当于是regexpr的结果以list形式储存。

     > regexpr("o", text)

      > gregexpr("o", text)

     > regexec("o", text)

-+--+- -+--+- -+--+- -+--+- -+--+- -+--+- -+--+- -+--+- -+--+- -+--+- -+--+- -+--+- -+--+- -+--+-

暂时还不熟悉正则表达式的相关用法，所以无法尝试出grep( )更多精妙强大的地方，暂时只能学习到这里。

-+--+- -+--+- -+--+- -+--+- -+--+- -+--+- -+--+- -+--+- -+--+- -+--+- -+--+- -+--+- -+--+- -+--+-

[1][2] 这两句话是copy自lijian大神的博客：R中字符串处理和grep的用法

[3][4] 由于暂时不懂的正则表达式，暂时无法完全理解这两个的作用