r语言tidyverse教程：5 字符串处理stringr

R语言系列：

• 编程基础循环语句向量、矩阵和数组列表、数据帧
• 排序函数apply系列函数
• tidyverse：readrtibbletidyrdplyrstringr

stringr是tidyverse的字符串处理函数，和R语言原生的字符串处理函数相比，其API风格统一，功能完备，十分推荐使用

功能	函数
拼接与分割	str_c；str_split, str_split_fixed
定位；匹配；提取	str_locate；str_match；str_extract；
删除；替换	str_remove；str_replace
检测；计数	str_detect；str_count
格式化	str_glue
头尾修饰	补齐str_pad；删除str_trim, str_squish
大小写转换	str_to_lower, str_to_upper, str_to_title, str_to_sentence
复制	str_dup
排序	str_sort, str_order
截取	str_sub, str_subset, str_which
字符串长度	str_length

拼接与分割

str_c为字符串拼接函数；可以拼接字符和字符数组，关键字collapse为折叠符，用于连接数组内的字符；sep为分隔符，用于连接数组间或者字符串间的字符。

library(stringr)

str_c("a","b")    # 返回 ab

# 下面三个均返回a_b
str_c("a","b",sep = "_")
str_c(c("a"), c("b"), sep="_")
str_c(c("a","b"), collapse="_")


# 返回a/c_b/d
str_c(c("a","b"),c("c","d"),sep = "/",collapse = "_")

分割函数有两个，str_split和str_split_fixed，后者可以指定分割块数。参数pattern表示分隔符，当pattern=""时，将字符串分割成单个字符。通过simplify可指定返回的数据类型，T返回矩阵。

# 字符分割，"b" "a" "n" "a" "n" "a"
str_split("banana", "")

# 字符分割，返回矩阵
str_split("banana","a",simplify = T)

"返回值如下
     [,1] [,2] [,3] [,4]
[1,] "b"  "n"  "n"  ""  
"

# 指定分割块数
str_split_fixed("banana", "", n = 3)

##      [,1] [,2] [,3]  
## [1,] "b"  "a"  "nana"

检测计数

str_count用于计数，str_detect用于检测，二者的区别在于，检测只返回TRUE或者FALSE，计数则在此之上返回具体个数

# 单个目标字符计数，返回1 1 0
str_count(string = c("sql","json","java"),pattern = "s")

# 多个目标字符计数 返回1 1 2
str_count(string = c("sql","json","java"),pattern = c("s","j","a"))

# 元字符查找计数（fixed包裹元字符） 返回2
str_count(string = "a..b",pattern = fixed("."))

str_detect(string = c("sql","json","java"),pattern = "s")
## 返回 TRUE  TRUE FALSE

定位、提取、匹配、删除、替换

定位、提取、匹配的操作逻辑是相似的，区别在于返回值，定位返回的是匹配字符的位置；提取和匹配则返回匹配值。而删除和替换功能则必须基于匹配、定位的基础上。这四种功能均有两种实现，后面带有_all的，表示返回所有匹配，否则只匹配第一个。

定位	str_locate	str_locate_all
提取	str_extract	str_extract_all
匹配	str_match	str_match_all
删除	str_remove	str_remove_all
替换	str_replace	str_replace_all

此外，替换还有一个简单的str_replace_na函数，用于将NA替换成字符串"NA"。

# 定位
> str_locate_all("banana", "an")

# [[1]]
#      start end
# [1,]     2   3
# [2,]     4   5


# 匹配
str_match_all("banana", "an")

# [[1]]
#     [,1]
# [1,] "an"
# [2,] "an"

# 提取
str_extract_all("banana", "an")

## [[1]]
## [1] "an" "an"

# 提取，返回矩阵
str_extract_all("banana", "an", simplify = T)
#      [,1] [,2]
# [1,] "an" "an"

# 删除 返回"ba"
str_remove_all("banana", "an")

# 替换 返回bANANa"
str_replace_all("banana", "an", "AN")

格式化

尽管字符串格式化函数只有str_glue，但头尾修饰、大小写转换也可以理解为一种格式化方案，所以归类在一起。

其中str_glue的逻辑是，识别字符串中的{}，并将花括号中的内容理解为变量，然后将变量转换为字符串，是很现代的处理方法

name <- "jack"
age <- 12
str_glue("I'm {name}, {age} years old.")
# 返回I'm jack, 12 years old.

str_pad可在字符串的左右两侧添加单个字符；str_trim可删除左右两侧的空格；str_squish可删除字符串中多余的空格。

# 默认字符串左边补齐 width用于指定宽度 返回"00114514"
str_pad(string = "114514", width = 8, pad = "0")

# 字符串右边补齐 返回"114514xx"
str_pad("114514", 8, side = "right", pad = "x")

str_pad("114514", 8, "both", "0") # 返回01145140

str_trim("  I'm   jack  ")    # 返回 "I'm   jack"
str_squish("  I'm   jack  ")  # 返回 "I'm jack"

大小写转换语句中，str_to_title会将所有单词首字母转大写，其他字母小写；str_to_sentence则只将句首第一个字母转为大写，其他字母小写。

stringr包中其他的有用函数，用于常见的字符处理。

# 字符转为小写
str_to_lower("I'm jack")  # 返回 "i'm jack"
str_to_upper("I'm jack")  # 返回 "I'M JACK"
str_to_title("I'm jack")  # 返回 "I'm Jack"
str_to_sentence("I'm Jack") # 返回 "I'm jack"

其他函数

str_sort返回排序后的字符串数组；str_order则返回排序后的索引向量。排序函数默认升序，若将decreasing设为TRUE，则采用降序

# 降序排序，返回"sql"    "python" "json"
str_sort(c("sql","json","python"), decreasing = TRUE)

# 升序排序，返回索引向量 2 3 1
str_order(c("sql","json","pythn"))

str_sub通过指定开始和结束位置，得到子串，当索引值为正时，表示正数，为负数表示倒数。str_subset, str_which则通过匹配模式，过滤出满足模式的字符串。

# 字符过滤 从第1个到倒数第2个 返回 banan
str_sub("banana", start = 1,end = -2)

# 字符串过滤 ^s为正则表达式语法，表示是开头 返回 sql
str_subset(string = c("java","sql","python"),pattern = "^s")

# 字符串过滤，返回匹配字符串位置  返回2
str_which(string = c("java","sql","python"),pattern = "^s")

str_dup可将字符向量重复若干次，并返回重复后的字符向量。

str_dup(c("I", "m", "jack"),times = 2)

## [1] "II"       "mm"       "jackjack"

str_length可以返回字符串长度

str_length("banana") # 返回 6