本章將介紹 R 中的字符串處理。將學(xué)習(xí)字符串的基本工作原理，以及如何手工創(chuàng)建字符串棒旗，但本章的重點(diǎn)是正則表達(dá)式（regular expression， regexp）皮壁。正則表達(dá)式的用處非常大椭更，字符串通常包含的是非結(jié)構(gòu)化或半結(jié)構(gòu)化數(shù)據(jù)，正則表達(dá)式可以用簡練的語言來描述字符串中的模式蛾魄。
library(tidyverse)
library(stringr)
10.2 字符串基礎(chǔ)
# 創(chuàng)建字符串
string1 <- "This is a string"
string2 <- 'To put a "quote" inside a string, use single quotes'
如果想要在字符串中包含一個單引號或雙引號虑瀑，可以使用 \ 對其進(jìn)行“轉(zhuǎn)義”
double_quote <- "\"" # or '"'
single_quote <- '\'' # or "'"
如果想要在字符串中包含一個反斜杠，就需要使用兩個反斜杠： \
注意滴须，字符串的打印形式與其本身的內(nèi)容不是相同的舌狗，因?yàn)榇蛴⌒问街袝@示出轉(zhuǎn)義字
符。如果想要查看字符串的初始內(nèi)容扔水，可以使用 writelines() 函數(shù)
x <- c("\"", "\\")
x
writeLines(x)
換行符 \n 和制表符 \t
使用 c() 函數(shù)來創(chuàng)建字符向量
c("one", "two", "three")
10.2.1 字符串長度
以 str_ 開頭的痛侍。例如， str_length() 函數(shù)可以返回字符串中的字符數(shù)量
str_length(c("a", "R for data science", NA))
10.2.2 字符串組合
str_c("x", "y")
str_c("x", "y", "z")
str_c("x", "y", sep = ", ")
x <- c("abc", NA)
str_c("|-", x, "-|")
# 和多數(shù) R 函數(shù)一樣魔市，缺失值是可傳染的主届。如果想要將它們輸出為 "NA"，可以使用 str_replace_na()
str_c("|-", str_replace_na(x), "-|")
str_c() 函數(shù)是向量化的待德，它可以自動循環(huán)短向量君丁，使得其與最長的向量具有相同的長度
str_c("prefix-", c("a", "b", "c"), "-suffix")
10.2.3 字符串取子集
str_sub() 函數(shù)來提取字符串的一部分。除了字符串參數(shù)外将宪， str_sub() 函數(shù)中還
有 start 和 end 參數(shù)绘闷，它們給出了子串的位置（包括 start 和 end 在內(nèi)）
x <- c("Apple", "Banana", "Pear")
str_sub(x, 1, 3)
# 負(fù)數(shù)表示從后往前數(shù)
str_sub(x, -3, -1)
還可以使用 str_sub() 函數(shù)的賦值形式來修改字符串
str_sub(x, 1, 1) <- str_to_lower(str_sub(x, 1, 1))
10.2.5 練習(xí)
(1) 在沒有使用 stringr 的那些代碼中，你會經(jīng)辰咸常看到 paste() 和 paste0() 函數(shù)印蔗，這兩個函
數(shù)的區(qū)別是什么？ stringr 中的哪兩個函數(shù)與它們是對應(yīng)的燎潮？這些函數(shù)處理 NA 的方式有
什么不同喻鳄？
paste("foo", "bar")
#> [1] "foo bar"
paste0("foo", "bar")
#> [1] "foobar"
str_c("foo", "bar")
#> [1] "foobar"
str_c("foo", NA)
#> [1] NA
paste("foo", NA)
#> [1] "foo NA"
paste0("foo", NA)
#> [1] "fooNA"
(2) 用自己的語言描述一下 str_c() 函數(shù)的 sep 和 collapse 參數(shù)有什么區(qū)別？
(3) 使用 str_length() 和 str_sub() 函數(shù)提取出一個字符串最中間的字符确封。如果字符串中的
字符數(shù)是偶數(shù)除呵，你應(yīng)該怎么做？
x <- c("a", "abc", "abcd", "abcde", "abcdef")
L <- str_length(x)
m <- ceiling(L / 2)
str_sub(x, m, m)
#> [1] "a" "b" "b" "c" "c"
(4) str_wrap() 函數(shù)的功能是什么爪喘？應(yīng)該在何時使用這個函數(shù)颜曾？
將文本處理成固定寬度的文本
thanks_path <- file.path(R.home('doc'),'thanks')
thanks <- str_c(readLines(thanks_path),collapse = '\n')
thanks <- word(thanks,1,3,fixed("\n\n"))
cat(str_wrap(thanks),"\n")
(5) str_trim() 函數(shù)的功能是什么？其逆操作是哪個函數(shù)秉剑？
str_trim()去除字符串兩邊的空格泛豪，str_pad()在兩邊增加空格
str_trim(" abc ")
#> [1] "abc"
str_trim(" abc ", side = "left")
#> [1] "abc "
str_trim(" abc ", side = "right")
#> [1] " abc"
str_pad("abc", 5, side = "both")
#> [1] " abc "
str_pad("abc", 4, side = "right")
#> [1] "abc "
str_pad("abc", 4, side = "left")
#> [1] " abc"
(6) 編寫一個函數(shù)將字符向量轉(zhuǎn)換為字符串，例如，將字符向量 c("a", "b", "c") 轉(zhuǎn)換為
字符串 a诡曙、 b 和 c臀叙。仔細(xì)思考一下，如果給定一個長度為 0价卤、 1 或 2 的向量劝萤，那么這個函
數(shù)應(yīng)該怎么做？
str_commasep <- function(x, delim = ",") {
n <- length(x)
if (n == 0) {
""
} else if (n == 1) {
x
} else if (n == 2) {
# no comma before and when n == 2
str_c(x[[1]], "and", x[[2]], sep = " ")
} else {
# commas after all n - 1 elements
not_last <- str_c(x[seq_len(n - 1)], delim)
# prepend "and" to the last element
last <- str_c("and", x[[n]], sep = " ")
# combine parts with spaces
str_c(c(not_last, last), collapse = " ")
}
}
str_commasep("")
#> [1] ""
str_commasep("a")
#> [1] "a"
str_commasep(c("a", "b"))
#> [1] "a and b"
str_commasep(c("a", "b", "c"))
#> [1] "a, b, and c"
str_commasep(c("a", "b", "c", "d"))
#> [1] "a, b, c, and d"
10.3 使用正則表達(dá)式進(jìn)行模式匹配
10.3.1 基礎(chǔ)匹配
x <- c("apple", "banana", "pear")
str_view(x, "an")
str_view(x, ".a.")
# 要想建立正則表示式慎璧，我們需要使用\\
dot <- "\\."
# 實(shí)際上表達(dá)式本身只包含一個\：
writeLines(dot)
#> \.
# 這個表達(dá)式告訴R搜索一個.
str_view(c("abc", "a.c", "bef"), "a\\.c")
x <- "a\\b"
writeLines(x)
#> a\b
str_view(x, "\\\\")
正則表達(dá)式 . 的字符串形式應(yīng)是 \. 你需要 4 個反斜杠來匹配 1 個反斜杠床嫌！
10.3.2 練習(xí)
(1) 解釋一下為什么這些字符串不能匹配一個反斜杠 \： ""、 "\"胸私、 "\"厌处。
(2) 如何匹配字符序列 "'\ ？
(3) 正則表達(dá)式 ...... 會匹配哪種模式岁疼？如何用字符串來表示這個正則表達(dá)式阔涉？
10.3.3 錨點(diǎn)
有時我們需要在正則表達(dá)式中設(shè)置錨點(diǎn)，以便 R 從字符串的開頭或末尾進(jìn)行匹配捷绒。我們可以設(shè)置兩種錨點(diǎn)洒敏。
? ^ 從字符串開頭進(jìn)行匹配。
? $ 從字符串末尾進(jìn)行匹配疙驾。
x <- c("apple", "banana", "pear")
str_view(x, "^a")
str_view(x, "a$")
x <- c("apple pie", "apple", "apple cake")
str_view(x, "apple")
str_view(x, "^apple$")
始于權(quán)力（^）凶伙，終于金錢（$）
10.3.4 練習(xí)
(1) 如何匹配字符串 "" ？ \$\\$$
str_view(c("$^$", "ab$^$sfas"), "^\\$\\^\\$$")
(2) 給定 stringr::words 中的常用單詞語料庫它碎，創(chuàng)建正則表達(dá)式以找出滿足下列條件的所
有單詞函荣。
a. 以 y 開頭的單詞。
b. 以 x 結(jié)尾的單詞扳肛。
c. 長度正好為 3 個字符的單詞傻挂。（不要使用 str_length() 函數(shù)，這是作弊Ｍ谙ⅰ）
d. 具有 7 個或更多字符的單詞金拒。
因?yàn)檫@個列表非常長，所以你可以設(shè)置 str_view() 函數(shù)的 match 參數(shù)套腹，只顯示匹配的
單詞（match = TRUE）或未匹配的單詞（match = FALSE）绪抛。
word <- stringr::words
str_view(word,"^y",match = T)
str_view(word,"x$",match = T)
str_view(word,"^...$",match = T)
str_view(word,".......",match = T)
10.3.5 字符類與字符選項(xiàng)
? \d 可以匹配任意數(shù)字。
? \s 可以匹配任意空白字符（如空格电禀、制表符和換行符）幢码。
? [abc] 可以匹配 a、 b 或 c尖飞。
? [^abc] 可以匹配除 a症副、 b店雅、 c 外的任意字符。
10.3.6 練習(xí)
(1) 創(chuàng)建正則表達(dá)式來找出符合以下條件的所有單詞贞铣。
a. 以元音字母開頭的單詞闹啦。
str_view(word,"^[aeiou]",match = T)
b. 只包含輔音字母的單詞（提示：考慮一下匹配“非”元音字母）。
str_view(word,"^[^aeiou]+$",match = T)
c. 以 ed 結(jié)尾辕坝，但不以 eed 結(jié)尾的單詞亥揖。
str_view(word,"ed$|^[^e]ed$",match = T)
d. 以 ing 或 ize 結(jié)尾的單詞。
str_view(word,"ing$|ize$",match = T)
str_view(stringr::words, "i(ng|se)$", match = TRUE)
(2) 實(shí)際驗(yàn)證一下規(guī)則： i 總是在 e 前面圣勒，除非 i 前面有 c。
str_view(stringr::words, "(cei|[^c]ie)", match = TRUE)
(3) q 后面總是跟著一個 u 嗎摧扇？
str_view(stringr::words, "qu", match = TRUE)
(4) 編寫一個正則表達(dá)式來匹配英式英語單詞圣贸，排除美式英語單詞。
(5) 創(chuàng)建一個正則表達(dá)式來匹配你所在國家的電話號碼扛稽。
x <- c("123-4560-7890", "1235-2351")
str_view(x, "\\d\\d\\d-\\d\\d\\d\\d-\\d\\d\\d\\d")
10.3.7 重復(fù)
正則表達(dá)式的另一項(xiàng)強(qiáng)大功能是吁峻，其可以控制一個模式能夠匹配多少次。
? ?： 0 次或 1 次在张。
? +： 1 次或多次用含。
? *： 0 次或多次。
x <- "1888 is the longest year in Roman numerals: MDCCCLXXXVIII"
str_view(x, "CC?")
str_view(x, "CC+")
str_view(x, 'C[LX]+')
? {n}：匹配 n 次帮匾。
? {n,}：匹配 n 次或更多次啄骇。
? {,m}：最多匹配 m 次。
? {n, m}：匹配 n 到 m 次瘟斜。
str_view(x, "C{2}")
str_view(x, "C{2,}")
str_view(x, "C{2,3}")
默認(rèn)的匹配方式是“貪婪的”：正則表達(dá)式會匹配盡量長的字符串缸夹。通過在正則表達(dá)式后
面添加一個 ?，你可以將匹配方式更改為“懶惰的”螺句，即匹配盡量短的字符串虽惭。
10.3.8 練習(xí)
(1) 給出與 ?、 + 和 * 等價的 {m, n} 形式的正則表達(dá)式蛇尚。
? {0,1} + {1,} * {0,}
(2) 用語言描述以下正則表達(dá)式匹配的是何種模式（仔細(xì)閱讀來確認(rèn)我們使用的是正則表達(dá)
式芽唇，還是定義正則表達(dá)式的字符串）？
a. ^.*$
b. "\{.+\}"
c. \d{4}-\d{2}-\d{2}
d. "\\{4}"
(3) 創(chuàng)建正則表達(dá)式來找出滿足以下條件的所有單詞取劫。
a. 以 3 個輔音字母開頭的單詞
b. 有連續(xù) 3 個或更多元音字母的單詞匆笤。
c. 有連續(xù) 2 個或更多元音—輔音配對的單詞。
str_view(stringr::words, "^[^aeiou]{3}",match=T)
str_view(stringr::words, "[aeiou]{3,}",match=T)
str_view(stringr::words, "[aeiou][^aeiou]{2,}",match=T)
括號還可以定義“分組”谱邪，你可以通過回溯引用（如 \1疚膊、 \2 等）來引用這些分組。
str_view(stringr::words, "(..)\\1", match = TRUE)
10.4.1 匹配檢測
x <- c("apple", "banana", "pear")
str_detect(x, "e")
#> [1] TRUE FALSE TRUE
# 有多少個以t開頭的常用單詞虾标？
sum(str_detect(words, "^t"))
#> [1] 65
# 以元音字母結(jié)尾的常用單詞的比例是多少寓盗？
mean(str_detect(words, "[aeiou]$"))
#> [1] 0.277
str_detect() 函數(shù)的一種常見用法是選取出匹配某種模式的元素灌砖。你可以通過邏輯取子集
方式來完成這種操作，也可以使用便捷的 str_subset() 包裝器函數(shù)：
words[str_detect(words, "x$")]
#> [1] "box" "sex" "six" "tax"
str_subset(words, "x$")
#> [1] "box" "sex" "six" "tax"
df <- tibble(
word = words,
i = seq_along(word)
)
df %>%
filter(str_detect(words, "x$"))
str_detect() 函數(shù)的一種變體是 str_count()傀蚌，后者不是簡單地返回是或否基显，而是返回字符
串中匹配的數(shù)量：
x <- c("apple", "banana", "pear")
str_count(x, "a")
#> [1] 1 3 1
# 平均來看，每個單詞中有多少個元音字母善炫？
mean(str_count(words, "[aeiou]"))
#> [1] 1.99
df %>%
mutate(
vowels = str_count(word, "[aeiou]"),
consonants = str_count(word, "[^aeiou]")
)
str_count("abababa", "aba")
#> [1] 2
str_view_all("abababa", "aba")
10.4.3 提取匹配內(nèi)容
要想提取匹配的實(shí)際文本撩幽，我們可以使用 str_extract() 函數(shù)。為了說明這個函數(shù)的用
法
length(sentences)
#> [1] 720
head(sentences)
colors <- c(
"red", "orange", "yellow", "green", "blue", "purple"
)
color_match <- str_c(colors, collapse = "|")
color_match
#> [1] "red|orange|yellow|green|blue|purple"
has_color <- str_subset(sentences, color_match)
matches <- str_extract(has_color, color_match)
head(matches)
#> [1] "blue" "blue" "red" "red" "red" "blue"
more <- sentences[str_count(sentences, color_match) > 1]
str_view_all(more, color_match)
str_extract(more, color_match)
#> [1] "blue" "green" "orange
str_extract_all(more, color_match)
#> [[1]]
#> [1] "blue" "red"
#>
#> [[2]]
#> [1] "green" "red"
#>
#> [[3]]
#> [1] "orange" "red"
str_extract() 函數(shù)可以給出完整匹配箩艺； str_match() 函數(shù)則可以給出每個獨(dú)立分組窜醉。 str_
match() 返回的不是字符向量，而是一個矩陣艺谆，其中一列是完整匹配榨惰，后面的列是每個分
組的匹配
noun <- "(a|the) ([^ ]+)"
has_noun <- sentences %>%
str_subset(noun) %>%
head(10)
has_noun %>%
str_extract(noun)
#> [1] "the smooth" "the sheet" "the depth" "a chicken"
#> [5] "the parked" "the sun" "the huge" "the ball"
#> [9] "the woman" "a helps"
has_noun %>%
str_match(noun)
#> [,1] [,2] [,3]
#> [1,] "the smooth" "the" "smooth"
#> [2,] "the sheet" "the" "sheet"
#> [3,] "the depth" "the" "depth"
#> [4,] "a chicken" "a" "chicken"
#> [5,] "the parked" "the" "parked"
#> [6,] "the sun" "the" "sun"
#> [7,] "the huge" "the" "huge"
#> [8,] "the ball" "the" "ball"
#> [9,] "the woman" "the" "woman"
#> [10,] "a helps" "a" "helps"
# 如果數(shù)據(jù)是保存在 tibble 中的，那么使用 tidyr::extract() 會更容易静汤。這個函數(shù)的工作方式
#與 str_match() 函數(shù)類似琅催，只是要求為每個分組提供一個名稱，以作為新列放在 tibble 中
tibble(sentence = sentences) %>%
tidyr::extract(
sentence, c("article", "noun"), "(a|the) ([^ ]+)",
remove = FALSE
)
10.4.7 替換匹配內(nèi)容
str_replace() 和 str_replace_all() 函數(shù)可以使用新字符串替換匹配內(nèi)容虫给。
x <- c("apple", "pear", "banana")
str_replace(x, "[aeiou]", "-")
#> [1] "-pple" "p-ar" "b-nana"
str_replace_all(x, "[aeiou]", "-")
#> [1] "-ppl-" "p--r" "b-n-n-"
x <- c("1 house", "2 cars", "3 people")
str_replace_all(x, c("1" = "one", "2" = "two", "3" = "three"))
#> [1] "one house" "two cars" "three people
10.4.9 拆分
str_split() 函數(shù)可以將字符串拆分為多個片段藤抡。
sentences %>%
head(5) %>%
str_split(" ")
"a|b|c|d" %>%
str_split("\\|") %>%
.[[1]]
sentences %>%
head(5) %>%
str_split(" ", simplify = TRUE) # simplify=T返回一個矩陣
fields <- c("Name: Hadley", "Country: NZ", "Age: 35")
fields %>% str_split(": ", n = 2, simplify = TRUE)
#> [,1] [,2]
#> [1,] "Name" "Hadley"
#> [2,] "Country" "NZ"
#> [3,] "Age" "35"
apropos() 函數(shù)可以在全局環(huán)境空間中搜索所有可用對象。當(dāng)不能確切想起函數(shù)名稱時抹估，
這個函數(shù)特別有用：
apropos("replace")
dir() 函數(shù)可以列出一個目錄下的所有文件缠黍。 dir() 函數(shù)的 patten 參數(shù)可以是一個正則
表達(dá)式，此時它只返回與這個模式相匹配的文件名药蜻。例如嫁佳，你可以使用以下代碼返回當(dāng)
前目錄中的所有 R Markdown 文件
head(dir(pattern = "\\.Rmd$"))
