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)