R-tidyverse系列-stringr字符处理

stringr字符处理 - (jianshu.com)
dplyr表格操作 - (jianshu.com)

在正式学习stringr、dplyr为代表的tidyrverse核心系列包时，有必要先了解下正则表达式以及管道符的相关知识。

正则表达式

• . ： 可以匹配除换行符外的任意字符
• ? ：表示前面的模式（无特殊情况即单个字符）重复0 次或 1 次。
  + ：1 次或多次。
  * ：0 次或多次。
  {n} ：指定匹配 n 次。
  {n,} ：指定匹配 n 次或更多次。
  {,m} ：指定最多匹配 m 次。
  {n, m} ：指定匹配 n 到 m 次
• ^ 从字符串开头进行匹配
  $ 从字符串末尾进行匹配。
• \d：匹配数字
  \s：可以匹配任意空白符
  \b：匹配单词间的边界

创建包含\(例如\d、\s...)的正则表达式，需要在字符串中对\进行转移，即\\d、\\s。其实只要记住\\本质上代表\即可。

匹配特殊字符示例

如果只是想匹配字符串本身的含义，fixed(正则表达式)可将正则表达式相关字符当作纯文本字符看待。

• [abc]：可以匹配a、b，或c
  [^abc]：可以匹配除a、b，c外的任意字符
  [a-z] ： 匹配任意小写字母；[A-Z]：任意大写字母；[A-z]：任意字母
  |表示或，常搭配小括号，例如gr(e|a)y表示匹配grey或者gray

• [:digit:]：匹配数字
  [:alpha:]：匹配字母
  [:lower:]：匹配小写字母
  [:upper:]：匹配大写字母
  [:alnum:]：匹配字母/数字
  [:punct:]：匹配标点符号
  [:blank:]：匹配空格、tab
  [:space:]：匹配空格、tab、换行符

• 最后的话，()小括号可以用于表示分组，\1表示回溯引用第一个分组，具体用法可参考下面的str_match()函数的介绍。

fruit = c("apple","banana","pear","pineapple")
#查找具有ABAB模式的字符串
str_view(fruit,"(.)(.)\\1\\2", match = T)

注意：默认的正则匹配方式都是“贪婪的”，即正则表达式会在符合规则的前提下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。

管道符%>%

• magrittr包提供的管道符语法对于R语言的代码处理过程大大提高了效率，可通过下述方式查看内置官方文档；

?magrittr::`%>%

• 在加载dplyr包时会自动加载magrittr包，从而便捷的使用管道符操作；

• 管道符的含义理解，如下图所示；

  
  
• 相关笔记可参考 https://zhuanlan.zhihu.com/p/29845549

stringr字符处理

1、字符串向量特征匹配
2、字符串特征匹配（取子集）
3、字符串的替换修改
4、字符串格式相关
5、字符串拼接与拆分

library(stringr)

https://github.com/rstudio/cheatsheets/blob/master/strings.pdf

1、字符串向量特征匹配

对于一个字符串向量，判断其中哪些字符串是否具有给定的模式特征

• 1.1 str_detect()：判断每个字符串是否具有匹配模式，返回等长的逻辑值向量

fruit <- c("apple", "banana", "pear", "pinapple")
str_detect(fruit, "a") #包含a的字符串
str_detect(fruit, "a", negate = T) #不包含a的字符串
str_detect(fruit, "^a") #以a开头的字符串
str_detect(fruit, "[aeiou]") #含有aeiou其中任意一个字符的字符串

• 1.2 str_starts()/str_ends()：判断每个字符串的开头/结尾是否具有匹配模式，同样返回等长的逻辑值向量

fruit <- c("apple", "banana", "pear", "pinapple")
str_starts(fruit, "p")
str_ends(fruit, "e")

• 1.3 str_which()/str_subset()：判断向量里的哪个字符串具有匹配模式；前者返回数字序号，后者返回具体的字符串

# str_which == which(str_detect(x, pattern))
# str_detect == x[str_detect(x, pattern)]
fruit <- c("apple", "banana", "pear", "pinapple")
str_subset(fruit, "a")
str_which(fruit, "a")

• 1.4 str_locate() : 返回匹配的模式在字符串的起始位置

fruit <- c("apple", "banana", "pear", "pineapple")
str_locate(fruit, "a")
str_locate_all(fruit, "a")

• 1.5 str_count()：返回每个字符串内有多少个符合匹配模式组成

fruit <- c("apple", "banana", "pear", "pineapple")
str_count(fruit, "a")
str_count(fruit, c("a", "b", "p", "p")) #向量化操作

2、字符串特征匹配（取子集）

• 2.1 str_sub()：指定字符串的起始位置提取

hw <- "Hadley Wickham"
str_sub(hw, 1, 6)
str_sub(hw, -3, -1)

• 2.2 str_extract() : 提取字符串里的特征模式

shopping_list <- c("apples x4", "bag of flour", "bag of sugar", "milk x2")
str_extract(shopping_list, "\\d")  #提取数字
str_extract(shopping_list, "[a-z]+") #提取1至多个小写字母
str_extract(shopping_list, "[a-z]{1,4}") #贪婪匹配
str_extract(shopping_list, "[a-z]{1,4}?") #懒惰匹配
str_extract(shopping_list, "\\b[a-z]{1,4}\\b") #提取特征模式的单词
str_extract(shopping_list, fixed("\\b[a-z]{1,4}\\b")) #fixed可将正则表达式视为普通字符串

#str_extract 默认只提取字符串里第一个符合的模式
#str_extract_all可以提取全部的匹配
str_extract_all(shopping_list, "[a-z]+")
str_extract_all(shopping_list, "\\b[a-z]+\\b")

• 2.3 str_match() : 可分组提取字符串里的特征模式，更加灵活。
  搭配括号使用，可提取分组的内容。该函数返回一个矩阵：第一列是完整匹配，第二列及以后是每个分组(括号)的匹配。适用于启发式的匹配提取，例如前缀、后缀等

str_match("bacad","b(a)")  #提取前一个字符为b的a
str_match("bacad","[^b](a)") ##提取前一个字符不为b的a
#回溯引用
str_match("banana","(a)(.)(\\1\\2)") #提取aXaX的模式文本，其中X可以是任何文本

3、字符串的替换修改

• str_replace()

?str_replace #默认只替换第一个模式的文本
?str_replace_all #全部
fruits = c("apple","banana","pear")
str_replace(fruits, "[aeiou]", "-")
#回溯应用，下面表示将a替换为aa，e替换为ee
str_replace(fruits, "([aeiou])", "\\1\\1")

#向量化一对一替换
str_replace(fruits, "[aeiou]", c("1", "2", "3"))
str_replace_all(fruits, "[aeiou]", c("1", "2", "3"))
str_replace(fruits, c("p", "e", "a"), "-") 
str_replace_all(fruits, c("p", "e", "a"), "-") 

#  多种特定模式的替换，仅限于str_replace_all
fruits %>%
  str_c(collapse = "---") %>%
  str_replace_all(c("one" = "1", "two" = "2", "three" = "3"))

4、字符串格式相关

• 4.1 str_length()：返回每个字符串的长度

str_length(c("i", "like", "programming", NA))

• 4.2 str_pad()：将字符串填补至指定长度，默认用空格填充

rbind(
  str_pad("hadley", 30, "left"),
  str_pad("hadley", 30, "right"),
  str_pad("hadley", 30, "both")
)
str_pad("a", 10, pad = c("-", "_", " "))

• 4.3 str_trunc()：限制字符串的长度，用省略号代替

x <- "This string is moderately long"
rbind(
  str_trunc(x, 20, "right"),
  str_trunc(x, 20, "left"),
  str_trunc(x, 20, "center")
)

• 4.4 str_trim()：去除字符串两边的空格（包括tab、换行符）；
  str_squish()：去除字符串两边的空格（tab、换行符）,以及替换所有两个以上的空格为一个空格

str_trim("  String with trailing and leading white space\t")
str_trim("\n\nString with trailing and leading white space\n\n")
str_squish("  String with trailing,  middle, and leading white space\t")

• 4.5 str_wrap():将太长的英语句子限制为每行仅包含指定长度字符的若干行文本(本质上即为自动插入换行符)；首要前提需要为包含空格的字符串

sentences[1]
cat(str_wrap(sentences[1],width = 10))

• 4.6 str_glue()：使用占位符格式化输出，类似于sprintf()

name <- "Fred"
age <- 50
str_glue("My name is {name}, my age next year is {age + 1}")
mtcars[1:3,] %>% str_glue_data("{rownames(.)} has {hp} hp")

• 4.7 大小写转换

dog <- "The quick brown dog"
##变大写
str_to_upper(dog)
##变小写
str_to_lower(dog)
##首字母大写
str_to_title(dog)

5、字符串拼接与拆分

• str_c()：拼接两个字符串，默认连接符为空白

str_c("Letter-", letters)
str_c("Letter", letters, sep = ": ")
str_c(letters, collapse = "")

• str_dup() 重复字符串`

fruit <- c("apple", "pear", "banana")
str_dup(fruit, 2)
str_dup(fruit, 1:3)

• str_split() 拆分字符串，默认返回的是list，可设置simplify=T参数返回矩阵

fruits <- c(
  "apples and oranges and pears and bananas",
  "pineapples and mangos and guavas"
)
str_split(fruits, " and ")
str_split(fruits, " and ", simplify=T)

#限定分割得到的字符串的数量(从左到右)
str_split(fruits, " and ", n = 2)
str_split(fruits, " and ", n = 3)
str_split(fruits, " and ", n = 5)