R中字符串操作
简介
Stringr中包含3个主要的函数族
- 字符操作
- 空格处理
- 模式匹配
常用函数
在平常的数据分析工作中，经常要用到如下的函数
| 函数 | 操作 |
|---|---|
| str_length() | 获取字符串长度 |
| str_sub() | 截取字符串 |
| str_dup() | 复制字符串 |
| str_pad() | 空格填充 |
| str_trunc() | 截取字符串 |
| str_trim() | 去除空格 |
| str_split(str, "[:,]") | 拆分 |
| str_c() str_c() |
拼接 |
| str_detect() | 检测模式是否存在 |
| str_subset() | 返回匹配的结果 |
| str_count() | 统计匹配次数 |
| str_locate() str_locate_all() |
匹配定位 |
| str_extract() str_extract_all() |
提取匹配结果 |
| str_match() str_match_all() |
分组匹配 |
| str_replace() str_replace_all() |
替换匹配结果 |
字符操作
你可使用 str_length() 获取字符串长度
str_length("abc")
#> [1] 3
您可以使用str_sub() 访问单个字符。 它有三个参数：字符向量，起始位置和结束位置。
结束位置可以是从第一个字符开始计数的正整数，或从最后一个字符计数的负整数。 闭区间，如果位置长于字符串，将被截断。
library("stringr")
# 字符串向量
x <- c('abcdef', 'ghijkl')
str_sub(x, 3, 3)
#[1] "c" "i"
str_sub(x, 2, -2)
#1] "bcde" "hijk"
# 字符串
str_x <- 'abcdef'
str_sub(str_x, 3, 4)
#[1] "cd"
# 修改字符串
str_sub(x, 3, 3) <- "X"
#[1] "abXdef" "ghXjkl"
# 复制字符串
str_dup(x, c(2, 3))
#[1] "abXdefabXdef" "ghXjklghXjklghXjkl"
# 第一个字符串复制两遍，第二个字符串复制3遍
空格处理
str_pad() 通过在左侧，右侧或两侧添加多余的空格将字符串填充到固定长度。
# 左侧填充空格，长度10位
x <- c("abc", "defghi")
str_pad(x, 10)
#[1] " abc" " defghi"
str_pad(x, 10, "both")
[1] " abc " " defghi "
# 填充指定的字符 使用pad参数，注意，pad的参数只能是单个字符
str_pad(x, 10, pad = 'x')
#[1] "xxxxxxxabc" "xxxxdefghi"
str_pad() 永远不会剪裁字符串
str_pad(x, 4)
#> [1] " abc" "defghi"
如果你想确保所有的字符串长度一样，可以结合str_pad() and str_trunc()一起使用：
x <- c("Short", "This is a long string")
x %>%
str_trunc(10) %>%
str_pad(10, "right")
#[1] "Short " "This is..."
str_trim() 和 str_pad() 功能相反， 主要功能是去除头尾的空格
x <- c(" a ", "b ", " c")
str_trim(x)
#> [1] "a" "b" "c"
str_trim(x, "left")
#> [1] "a " "b " "c"
可以使用str_wrap() 来修改现有的空格，以便包装一段文本，使每行的长度尽可能相似。
jabberwocky <- str_c(
"`Twas brillig, and the slithy toves ",
"did gyre and gimble in the wabe: ",
"All mimsy were the borogoves, ",
"and the mome raths outgrabe. "
)
cat(str_wrap(jabberwocky, width = 40))
#> `Twas brillig, and the slithy toves did
#> gyre and gimble in the wabe: All mimsy
#> were the borogoves, and the mome raths
#> outgrabe.
模式匹配
我们在其他语言处理字符串时会经常使用正则表达式，我们来看看R中的正则用法
我们先来看个电话号码的例子
strings <- c(
"apple",
"219 733 8965",
"329-293-8753",
"Work: 579-499-7527; Home: 543.355.3679"
)
phone <- "([2-9][0-9]{2})[- .]([0-9]{3})[- .]([0-9]{4})"
- str_detect() 检测模式是否存在，并返回一个逻辑向量，功能类似于 grepl()
# Which strings contain phone numbers?
str_detect(strings, phone)
#> [1] FALSE TRUE TRUE TRUE
- str_subset() 返回匹配正则表达式的字符向量的元素, 功能类似于 grep()
str_subset(strings, phone)
#> [1] "219 733 8965"
#> [2] "329-293-8753"
#> [3] "Work: 579-499-7527; Home: 543.355.3679"
- str_count() 统计匹配的次数
str_count(strings, phone)
#> [1] 0 1 1 2
- str_locate() 定位模式匹配的第一个位子，并返回一个带有开始和结束列的数字矩阵
str_locate_all() 定位所有的匹配，并返回带有开始和结束列的矩阵列表
# Where in the string is the phone number located?
(loc <- str_locate(strings, phone))
#> start end
#> [1,] NA NA
#> [2,] 1 12
#> [3,] 1 12
#> [4,] 7 18
str_locate_all(strings, phone)
#> [[1]]
#> start end
#>
#> [[2]]
#> start end
#> [1,] 1 12
#>
#> [[3]]
#> start end
#> [1,] 1 12
#>
#> [[4]]
#> start end
#> [1,] 7 18
#> [2,] 27 38
- str_extract() 提取第一个匹配到的文本，并返回字符向量
str_extract_all() 提取所有匹配到的文本，返回一堆字符向量
# What are the phone numbers?
str_extract(strings, phone)
#> [1] NA "219 733 8965" "329-293-8753" "579-499-7527"
str_extract_all(strings, phone)
#> [[1]]
#> character(0)
#>
#> [[2]]
#> [1] "219 733 8965"
#>
#> [[3]]
#> [1] "329-293-8753"
#>
#> [[4]]
#> [1] "579-499-7527" "543.355.3679"
str_extract_all(strings, phone, simplify = TRUE)
#> [,1] [,2]
#> [1,] "" ""
#> [2,] "219 733 8965" ""
#> [3,] "329-293-8753" ""
#> [4,] "579-499-7527" "543.355.3679"
- str_match() 分组匹配，从第一个匹配中提取匹配结果，返回一个字符矩阵，第一列返回完全匹配结果，其他列返回每组匹配结果
str_match_all() 从所有匹配中提取匹配结果，返回一个字符矩阵列表
# Pull out the three components of the match
str_match(strings, phone)
#> [,1] [,2] [,3] [,4]
#> [1,] NA NA NA NA
#> [2,] "219 733 8965" "219" "733" "8965"
#> [3,] "329-293-8753" "329" "293" "8753"
#> [4,] "579-499-7527" "579" "499" "7527"
str_match_all(strings, phone)
#> [[1]]
#> [,1] [,2] [,3] [,4]
#>
#> [[2]]
#> [,1] [,2] [,3] [,4]
#> [1,] "219 733 8965" "219" "733" "8965"
#>
#> [[3]]
#> [,1] [,2] [,3] [,4]
#> [1,] "329-293-8753" "329" "293" "8753"
#>
#> [[4]]
#> [,1] [,2] [,3] [,4]
#> [1,] "579-499-7527" "579" "499" "7527"
#> [2,] "543.355.3679" "543" "355" "3679"
- str_replace() 替换第一个匹配的结果
str_replace_all() 替换所有匹配到的结果
str_replace(strings, phone, "XXX-XXX-XXXX")
#> [1] "apple"
#> [2] "XXX-XXX-XXXX"
#> [3] "XXX-XXX-XXXX"
#> [4] "Work: XXX-XXX-XXXX; Home: 543.355.3679"
str_replace_all(strings, phone, "XXX-XXX-XXXX")
#> [1] "apple"
#> [2] "XXX-XXX-XXXX"
#> [3] "XXX-XXX-XXXX"
#> [4] "Work: XXX-XXX-XXXX; Home: XXX-XXX-XXXX"
- str_split() 分隔字符串
str_split("a-b-c", "-")
#> [[1]]
#> [1] "a" "b" "c"
- str_c(str_vec, collapse=",") 拼接向量
x <- c('a', 'b', 'c')
str_c(x, collapse = ',')
#[1] "a,b,c"
参考资料
- Introduction to stringr
- 左手python，右手R python和R的异同可以参考这篇文章
