R語言之字符函數(shù)和正則表達(dá)式

字符串長度函數(shù)：

length()：返回向量元素的個數(shù)、矩陣元素的個數(shù)、數(shù)據(jù)框字段數(shù)量和列表元素的個數(shù)。

nchar()： 返回每一個字符值的字符數(shù)

cat()函數(shù)可以顯示和連接字符串。該函數(shù)可以將字符值合并，并直接打印在屏幕中， 該函數(shù)成為在函數(shù)內(nèi)部打印消息或警告信息的理想函數(shù)，而paste()函數(shù)和print()函數(shù)輸出效果不理想。

 發(fā)現(xiàn)，用print函數(shù)和paste函數(shù)在屏幕中輸出帶引號的字符串，總覺得有點別扭。

cat()函數(shù)中使用'\n'參數(shù)為換行符，確保改行的完整信息。'\t'為4字節(jié)的空格

cat()函數(shù)的參數(shù)fill可用于輸出字符串中自動插入換行符，如果fill設(shè)置為TRUE，則系統(tǒng)的width值將被用來確定行寬， 如果fill參數(shù)為一個給定的數(shù)值，則輸出結(jié)果的寬度將使用該值。

cat()函數(shù)中有一個參數(shù)為file，該參數(shù)允許輸出結(jié)果指定到一個文件中。
 

paste()函數(shù)可以無限量的連接字符串，當(dāng)把一個 字符向量 傳遞給paste()函數(shù)時，通常使用 collapse=參數(shù) ，因為sep=參數(shù)對輸入的向量不起作用

substring()或substr()函數(shù)獲取字符串的子串，first(start)和last(stop)參數(shù)可以是一個數(shù)值，也可以是一個向量。

在應(yīng)用中強(qiáng)烈建議使用substring()函數(shù)，該函數(shù)更為穩(wěn)定

為了找到字符串中一個特定字符的位置，首先需要將字符串轉(zhuǎn)換為字符向量（可以向substr函數(shù)的first和last參數(shù)傳遞向量來完成），然后通過which函數(shù)確定某個字符的位置。

正則表達(dá)式是一種表達(dá)字符值模式的方法，可以被用來提取字符串的一部分或以某種方式修改這些字符串。這里主要講解R中常用的6個正則表達(dá)式函數(shù)(split,grep,regexpr,gregexpr,sub,gsub)

strsplit()函數(shù)可以使用字符串或正則表達(dá)式將字符串劃分為更小的段，該函數(shù)的第一個參數(shù)是要拆分的字符串，第二個參數(shù)是用來將字符串分解成多個部分的字符值或正則表達(dá)式。該函數(shù)將分解后的子段返回到列表中。

語法如下：

strsplit(x, split, fixed = FALSE, perl = FALSE, useBytes = FALSE)

應(yīng)用：

發(fā)現(xiàn)，parts1中會單獨(dú)把空格當(dāng)做值列出來。

案例，把數(shù)據(jù)框中的郵箱子段拆分成郵箱名和郵箱地址兩個字段。

個人覺得這個方法還是繁瑣了點，還請各位看官提出更方便簡潔的方法~謝謝啦。

strsplit()函數(shù)還可以接受正則表達(dá)式來決定在哪里拆分字符串，例如，一個字符串中含有多個空格，當(dāng)使用空格作為拆分符時，就可能返回多余的空字符串。

grep()函數(shù)接受一個正則表達(dá)式和一個字符串或字符串向量，并返回由正則表達(dá)式匹配的字符串元素的索引。 如果參數(shù)value=TRUE，則它將返回與正則表達(dá)式匹配的實際字符串而不是其索引號。

語法如下：其中x必須為字符向量

grep(pattern, x, ignore.case = FALSE, perl = FALSE, value = FALSE,fixed = FALSE, useBytes = FALSE, invert = FALSE)

應(yīng)用：該函數(shù)的一個重要用途是依據(jù)名稱從一個數(shù)據(jù)框中提取一組變量

如在LifeCycleSavings數(shù)據(jù)框中，存在兩個變量，都是以'pop'開頭，我們可以使用grep函數(shù)找到這兩個變量

返回以某個字符開頭或某個字符結(jié)尾的字符串

要查找的正則表達(dá)式不考慮輸入的大小寫時，可以使用ignor.case=TRUE

很顯然第二個字符'work doggedly'就不是我們所期望的結(jié)果，為解決該問題，可以使用 轉(zhuǎn)義尖括號(\\<dog\\>) 限制字符串被空格、標(biāo)點符號或起始行或結(jié)束行包圍情況下的匹配。

如果傳遞給grep的正則表達(dá)式與其任何輸入都不匹配，grep將返回一個空的數(shù)值型向量， 換句話說，該函數(shù)可以用來測試一個正則表達(dá)式是否存在。

regexpr()和gregexpr()函數(shù)可用于準(zhǔn)確指出和提取字符串中與正則表達(dá)式相匹配的部分，這兩個函數(shù)的輸出為一個向量和列表，由所發(fā)現(xiàn)的正則表達(dá)式的起始點組成；如果沒有匹配發(fā)生，返回值為-1，此外，match.length屬性與起始點向量結(jié)合， 提供字符匹配的準(zhǔn)確信息。regexpr函數(shù)只提供其輸入字符串中第一個匹配的有關(guān)信息，而gregexpr函數(shù)返回所有匹配的信息。

語法如下：

regexpr(pattern, text, ignore.case = FALSE, perl = FALSE,

fixed = FALSE, useBytes = FALSE)

gregexpr(pattern, text, ignore.case = FALSE, perl = FALSE,

fixed = FALSE, useBytes = FALSE)

應(yīng)用：

提取出匹配的字符

在這里使用另一個處理輸出的函數(shù)mapply，該函數(shù)的第一個參數(shù)為函數(shù)， 接受多個參數(shù)，其余參數(shù)是長度相同的向量，其元素將逐一傳遞到函數(shù)中。

sub()和gsub()函數(shù)是基于正則表達(dá)式的文字替換，它們均接受正則表達(dá)式的輸入?yún)?shù)。

sub()函數(shù)只改變第一次出現(xiàn)的正則表達(dá)式，而gsub()函數(shù)可以替換所有滿足正則表達(dá)式的字符。

這兩個函數(shù)的一個重要用途涉及到數(shù)值型數(shù)據(jù)中，這些數(shù)據(jù)從網(wǎng)頁或財務(wù)報表中讀入，并可能包含逗號或美元符號。

語法：

sub(pattern, replacement, x, ignore.case = FALSE, perl = FALSE,

fixed = FALSE, useBytes = FALSE)

gsub(pattern, replacement, x, ignore.case = FALSE, perl = FALSE,fixed = FALSE, useBytes = FALSE)

應(yīng)用：

大致正則表達(dá)式的語法和案例就介紹到這里，接下來對正則表達(dá)式做一些總結(jié)性的工作 (參考《R語言數(shù)據(jù)操作》這本書)：

1、反斜杠\字符用在正則表達(dá)式中，表示正則表達(dá)式中某些具體特殊含義的字符應(yīng)該作為普通的字符來對待。在R中，當(dāng)遇到特殊字符時（\t,\n等）需要輸入兩個反斜杠。

2、正則表達(dá)式由3個部分組成：

a、原意符，它是由一個單一的字符匹配

b、字符類，它可以與許多字符值的任何一個相匹配

c、修正符，對原意符和字符類進(jìn)行操作

3、由于許多表點符號是正則表達(dá)式的修正符，必須始終加一個反斜杠保留其原意：

. ^ $ + ? * ( ) [ ] { } | \

4、要形成一個字符類，使用方括號[]把需要匹配的字符括起來。如需要創(chuàng)建一個由a,b或3組成的字符類，可用[ab3]表示。破折號可用在字符類內(nèi)部來表示值域[a-z],[A-Z],[0-9]

5、如果在R中輸入一個正則表達(dá)式，是使用雙引號的字符串，就需要雙反斜杠，如果使用readline輸入表達(dá)式，只需要一個反斜杠。

6、R中正則表達(dá)式的修正符：

修正符 含義

^ 定位表達(dá)式，目標(biāo)開始

$ 定位表達(dá)式，目標(biāo)結(jié)束

. 匹配換行符以外的任何單個字符

| 分割不同的模式

( ) 將相同模式放在一起

* 匹配前面的實體出現(xiàn)0次或更多次

? 匹配前面的實體出現(xiàn)0次或1次

+ 匹配前面的實體出現(xiàn)1次或更多次

{n} 匹配前面的實體精確地出現(xiàn)n次

{n,} 匹配前面的實體至少出現(xiàn)n次

{n.m} 匹配出現(xiàn)次數(shù)在n和m次之間

總結(jié)：常用的字符串函數(shù)

length()

nchar()

cat()

paste()

substring()

strsplit()

grep()

regexpr()

gregexpr()

sub()

gsub()