使用stringr處理字符串
本周內容較多且雜，故分成上下兩篇。正則表達式是從左到右來匹配一個字符串的。“Regular Expression”這個詞太長了，我們通常使用它的縮寫
“regex”或者“regexp”。 正則表達式可以被用來替換字符串中的文本、驗證表單、基于模式匹配從一個字符串中提取字符串等等。關于正則表達式，GitHub上有個很好的項目，如果大家有興趣的話，可以點贊、在看，我這章之后更新項目筆記。
[TOC]
9.1 簡介
本章將介紹 R 中的字符串處理。包括字符串的基本工作原理，以及如何手工創建字符串，但本章的重點是正則表達式（regular expression，regexp）。正則表達式的用處非常大，字符串通常包含的是非結構化或半結構化數據，正則表達式可以用簡練的語言來描述字符串中的模式。
9.2 字符串基礎
可以使用單引號或雙引號來創建字符串。與其他語言不同，單引號和雙引號在 R 中沒有區別。我們推薦使用 "，除非你想要創建包含多個 " 的一個字符串：
string1 <- "This is a string"
string2 <- 'To put a "quote" inside a string, use single quotes'
如果忘記了結尾的引號，你會看到一個 +，這是一個續行符：
> "This is a string without a closing quote
+
如果遇到了這種情況，可以按 Esc 鍵，然后重新輸入。
如果想要在字符串中包含一個單引號或雙引號，可以使用 \ 對其進行“轉義”：
double_quote <- "\"" # or '"'
single_quote <- '\'' # or "'"
這意味著，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：\\。
字符串的打印形式與其本身的內容不是相同的，因為打印形式中會顯示出轉義字 符。如果想要查看字符串的初始內容，可以使用 writelines() 函數：
x <- c("\"", "\\")
x
> [1] "\"" "\\"
writeLines(x)
> "
> \
還有其他幾種特殊字符。最常用的是換行符 \n 和制表符 \t，你可以使用 ?'"' 或 ?"'" 調 出幫助文件來查看完整的特殊字符列表。
多個字符串通常保存在一個字符向量中，使用 c() 函數來創建字符向量：
c("one", "two", "three")
> [1] "one" "two" "three"
9.2.1 字符串長度
stringr 中的函數比R基礎包中的字符串處理函數名稱更直觀，并且都是以 str_ 開頭的。例如，str_length() 函數可以返回字符串中的字符數量：
str_length(c("a", "R for data science", NA))
> [1] 1 18 NA
9.2.2 字符串組合
要想組合兩個或更多字符串，可以使用 str_c() 函數：
str_c("x", "y")
> [1] "xy"
str_c("x", "y", "z")
> [1] "xyz"
可以使用 sep 參數來控制字符串間的分隔方式：
str_c("x", "y", sep = ", ")
> [1] "x, y"
和多數 R 函數一樣，缺失值是可傳染的。如果想要將它們輸出為 "NA"，可以使用 str_ replace_na()：
x <- c("abc", NA)
str_c("|-", x, "-|")
> [1] "|-abc-|" NA
str_c("|-", str_replace_na(x), "-|")
> [1] "|-abc-|" "|-NA-|"
如以上代碼所示，str_c() 函數是向量化的，它可以自動循環短向量，使得其與最長的向量具有相同的長度：
str_c("prefix-", c("a", "b", "c"), "-suffix")
> [1] "prefix-a-suffix" "prefix-b-suffix" "prefix-c-suffix"
長度為 0 的對象會被無聲無息地丟棄。這與 if 結合起來特別有用：
name <- "Hadley"
time_of_day <- "morning"
birthday <- FALSE
str_c(
"Good ", time_of_day, " ", name,
if (birthday) " and HAPPY BIRTHDAY", # birthday 為True時，才會打印后面的語句
"."
)
> [1] "Good morning Hadley."
要想將字符向量合并為字符串，可以使用 collapse() 函數：
str_c(c("x", "y", "z"), collapse = ", ")
> [1] "x, y, z"
9.2.3 字符串取子集
可以使用 str_sub() 函數來提取字符串的一部分。除了字符串參數外，str_sub() 函數中還 有 start 和 end 參數，它們給出了子串的位置（包括 start 和 end 在內）：
x <- c("Apple", "Banana", "Pear")
str_sub(x, 1, 3) # 開始、結束的位置參數
> [1] "App" "Ban" "Pea"
# 負數表示從后往前數
str_sub(x, -3, -1)
> [1] "ple" "ana" "ear"
注意，即使字符串過短，str_sub() 函數也不會出錯，它將返回盡可能多的字符：
str_sub("a", 1, 5)
> [1] "a"
還可以使用 str_sub() 函數的賦值形式來修改字符串：
str_sub(x, 1, 1) <- str_to_lower(str_sub(x, 1, 1)) #函數將文本轉換為小寫
x
> [1] "apple" "banana" "pear"
9.3 使用正則表達式進行模式匹配
我們通過 str_view() 和 str_view_all() 函數來學習正則表達式。這兩個函數接受一個字符向量和一個正則表達式，并顯示出它們是如何匹配的。
9.3.1 基礎匹配
最簡單的模式是精確匹配字符串 ：
x <- c("apple", "banana", "pear")
str_view(x, "an")
另一個更復雜一些的模式是使用 .，它可以匹配任意字符（除了換行符）：
str_view(x, ".a.")
但是，如果 . 可以匹配任意字符，那么如何匹配字符 . 呢？你需要使用一個“轉義”符號來告訴正則表達式實際上就是要匹配 . 這個字符,而不是使用 . 來匹配其他字符。和字符串一樣,正則表達式也使用反斜杠來去除某些字符的特殊含義。因此，如果要匹配 .，那么你需要的正則表達式就是 \.。遺憾的是，這樣做會帶來一個問題。因為我們使用字符串來表示正則表達 式，而且 \ 在字符串中也用作轉義字符，所以正則表達式 \. 的字符串形式應是 \\.：
# 要想建立正則表示式，我們需要使用\\
dot <- "\\."
# 實際上表達式本身只包含一個\：
writeLines(dot)
#> \.
# 這個表達式告訴R搜索一個.
str_view(c("abc", "a.c", "bef"), "a\\.c")
如果 \ 在正則表達式中用作轉義字符，那么如何匹配 \ 這個字符呢？我們還是需要去除其特殊意義，建立形式為 \\ 的正則表達式。要想建立這樣的正則表達式，我們需要使用一個字符串，其中還需要對 \ 進行轉義。這意味著要想匹配字符 \，我們需要輸入 "\\\\"—— 你需要 4 個反斜杠來匹配 1 個反斜杠！
x <- "a\\b"
writeLines(x)
> a\b
str_view(x, "\\\\")
9.3.2 錨點
默認情況下，正則表達式會匹配字符串的任意部分。有時我們需要在正則表達式中設置錨點，以便 R 從字符串的開頭或末尾進行匹配。我們可以設置兩種錨點:
^從字符串開頭進行匹配。$從字符串末尾進行匹配。
x <- c("apple", "banana", "pear")
str_view(x, "^a")
str_view(x, "a$")
[圖片上傳失敗...(image-8a207a-1614859299444)]
始于權力（^），終于金錢（$）
如果想要強制正則表達式匹配一個完整字符串，那么可以同時設置 ^ 和 $ 這兩個錨點：
x <- c("apple pie", "apple", "apple cake")
str_view(x, "apple")
str_view(x, "^apple$")
還可以使用 \b 來匹配單詞間的邊界。例如，為了避免匹配到 summarize、summary、rowsum 等，我們會使用 \bsum\b 進行搜索。
9.3.3 字符類與字符選項
很多特殊模式可以匹配多個字符。我們已經介紹過 .，它可以匹配除換行符外的任意字符。 還有其他 4 種常用的字符類。
-
\d可以匹配任意數字。 -
\s可以匹配任意空白字符（如空格、制表符和換行符）。 -
[abc]可以匹配 a、b 或 c -
[^abc]可以匹配除 a、b、c 外的任意字符。
牢記，要想創建包含 \d 或 \s 的正則表達式，你需要在字符串中對 \ 進行轉義，因此需 要輸入 "\\d" 或 "\\s"。
你還可以使用字符選項創建多個可選的模式。例如，abc|d..f 可以匹配 abc 或 deaf。注 意，因為 | 的優先級很低，所以 abc|xyz 匹配的是 abc 或 xyz，而不是 abcyz 或 abxyz。與 數學表達式一樣，如果優先級讓人感到困惑，那么可以使用括號讓其表達得更清晰一些：
str_view(c("grey", "gray"), "gr(e|a)y")
9.3.4 重復
正則表達式的另一項強大功能是，其可以控制一個模式能夠匹配多少次。
-
?：0 次或 1 次。 -
+： 1 次或多次。 -
*：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]+')
注意，這些運算符的優先級非常高，因此使用 colou?r 既可以匹配 color，也可以匹配 colour。這意味著很多時候需要使用括號，比如 bana(na)+。
還可以精確設置匹配的次數。
-
{n}：匹配 n 次。 -
{n,}：匹配 n 次或更多次。 -
{,m}：最多匹配 m 次。 -
{n, m}：匹配 n 到 m 次。
str_view(x, "C{2}")
str_view(x, "C{2}")
str_view(x, "C{2}")
#大家自行觀察
默認的匹配方式是“貪婪的”：正則表達式會匹配盡量長的字符串。通過在正則表達式后面添加一個 ?，你可以將匹配方式更改為“懶惰的”，即匹配盡量短的字符串。
str_view(x, 'C{2,3}?')
str_view(x, 'C[LX]+?')
9.3.5 分組與回溯引用
前面學習了括號可以用于消除復雜表達式中的歧義。括號還可以定義“分組”， 你可以通過回溯引用（如 \1、\2 等）來引用這些分組。例如，以下的正則表達式可以找出名稱中有重復的一對字母的所有水果：
fruit <- c("banana","coconut","cocumber","jujube","papaya","salal berry")
str_view(fruit, "(..)\\1", match = TRUE)
