2019-07-26

R语言--字符串处理

一、正则表达式（regex）：用于描述/匹配一个文本集合的表达式

1、所有英文字母、数字和很多可显示的字符本身就是正则表达式，用于匹配它们自己。比如 “a” 就是匹配字母 “a” 的正则表达式

2、一些特殊的字符在正则表达式中不再用来描述它自身，它们在正则表达式中已经被“转义”，这些字符称为“元字符”。被转义的字符有：. \ | ( ) [ ] { } ^ $ * + ?

1）. 表示任意字符；

2）\\或?表示查找；

3）| 表示可选项，即 | 前后的表达式任选一个；

4）[]方括号表示选择方括号中的任意一个（如[a-z] 表示任意一个小写字符）；

5）^ 放在表达式开始出现匹配的文本开始的位置，如^a，表示匹配上以a开头的字符串；

6）$则是放在末尾位置，如a$，表示匹配上以a结尾的字符串；

匹配grep(pattern = " ", x)，grep仅返回匹配项的下标（位置），而grepl返回所有的查询结果，并用逻辑向量（TRUE和FALSE）表示有没有找到匹配

匹配替换sub和gsub是用于字符串替换的函数，但严格地说R语言没有字符串替换的函数，因为R语言不管什么操作对参数都是传值不传址. sub和gsub的区别是前者只做一次替换（不管有几次匹配），而gsub把满足条件的匹配都做替换

.*, which matches any character (.) zero or more times (*). Both the dot and the asterisk are metacharacters. You can use them to match any character between the at-sign and the ".edu" portion of an email address.

\\.edu$, to match the ".edu" part of the email at the end of the string. The \\ part escapes the dot: it tells R that you want to use the . as an actual character.