R語言_符串處理和grep的用法

R通常被用來進(jìn)行數(shù)值計算比較多，字符串處理相對較少，而且關(guān)于字符串的函數(shù)也不多，用得多的就是substr、strsplit、paste、regexpr這幾個了。實(shí)際上R關(guān)于字符串處理的功能是非常強(qiáng)大的，因?yàn)樗踔量梢灾苯邮褂肞erl的正則表達(dá)式，這也是R的一個理念，作為語言就把向量計算做到極致，作為環(huán)境，就在各領(lǐng)域都集成最好的。R中有g(shù)rep系列的函數(shù)，可以用最強(qiáng)大的方式處理字符串的所有問題。

grep的全稱是global search regular expression and print out the line，是Unix下一種強(qiáng)大的文本搜索工具，可以通過正則表達(dá)式搜索文本，并把匹配的行打印出來，包括grep、egrep和fgrep（egrep是擴(kuò)展的grep，fgrep是快速的搜尋方式并沒有真正利用正則表達(dá)式）。Linux下使用GNU版的grep，該套規(guī)范也被廣泛地使用，R中的grep函數(shù)就是其中之一。

grep的核心就是正則表達(dá)式（Regular Expressions，通?？s寫為regex），所謂正則表達(dá)式，就是用某種模式去匹配一類字符串的一個公式，很多文本編輯器或者程序語言都支持該方式進(jìn)行字符串的操作，最開始是由上文介紹的Unix工具grep之類普及的，后來得到廣泛應(yīng)用。尤其是Perl語言中將正則表達(dá)式發(fā)揮到了極致。

R中的正則表達(dá)式非常專業(yè)，從grep系列函數(shù)的參數(shù)就可以看出，有個參數(shù)“extended”，默認(rèn)為T，表示使用擴(kuò)展grep，也就是egrep，如果選擇為F就表示基礎(chǔ)的grep，不過該種方式不被R推薦，即使使用了也會出現(xiàn)警告，實(shí)際上grep能做的egrep也都能做，而且還要簡單不少。我剛開始在egrep中使用總是不能通過，后來發(fā)現(xiàn)其實(shí)egrep中更簡單，很多時候直接寫在[]內(nèi)就行。還有一個參數(shù)“perl”，默認(rèn)為F，如果選擇T表示使用Perl的正則表達(dá)式規(guī)則，功能更加強(qiáng)大，不過如果沒有專門學(xué)過Perl語言的話用egrep也就夠了。另一個參數(shù)“fixed”雖然描述的不是同一個東西，但是也很相關(guān)，選擇之后就會進(jìn)行精確的匹配，不再使用正則表達(dá)式的規(guī)則，在效率上會快很多，我覺得這個可能就是fgrep。R的幫助文檔中也明確說明了這三個參數(shù)實(shí)際上代表了四種模式，常規(guī)grep、擴(kuò)展grep、Perl正則表達(dá)式、精確匹配，使用者可以根據(jù)具體的含義選擇自己需要的，如果參數(shù)設(shè)置互有沖突，會自動忽略后面的參數(shù)，并會在Warning中明確指出。

grep系列函數(shù)其實(shí)包括grep、grepl、sub、gsub、regexpr、gregexpr，他們的參數(shù)很類似，在R中也是把幫助文檔集成在了一起，查找任意一個都會得到一個統(tǒng)一的文檔。里面對各個參數(shù)也是一起介紹的，除了剛才說的三個以外，第一個參數(shù)就是最重要的“pattern”，這是一個字符串，直接表示正則表達(dá)式，根據(jù)模式的不同注意規(guī)則就行，另外有個“x”表示要查找的向量，這也是R中的獨(dú)特之處，不是查找文件，而是查找向量，該處也可以只輸入一個字符串，就成了基礎(chǔ)的字符串處理函數(shù)。對于grep函數(shù)，結(jié)果只有匹配或者不匹配，因此匹配時輸出向量中該元素的下標(biāo)，如果是單個字符就輸出1，對于grepl，和grep其實(shí)一樣，不過輸出的是邏輯值，匹配就是T，不匹配就是F。參數(shù)“value”默認(rèn)為F，輸出的值就是剛才說的元素下標(biāo)或者邏輯值，如果改成T，就會輸出查找的字符串。還有一個參數(shù)“ignore.case”，默認(rèn)是F，表示大小寫敏感，可以改為T，表示大小寫不敏感。參數(shù)“useBytes”默認(rèn)是F，表示按字符查找，如果是T則表示按字節(jié)查找，對于中文字符影響還是很大的。參數(shù)“invert ”默認(rèn)為F，表示正常的查找，如果為T則查找模式的補(bǔ)集。像sub和gsub這樣的替換函數(shù)，還多一個參數(shù)“replacement”，用來表示替換的字符。

這些函數(shù)的參數(shù)都比較類似，但是輸出各不一樣，grep輸出向量的下標(biāo)，實(shí)際上就是找到與沒找到，grepl返回的邏輯值更能說明問題。sub是一個很強(qiáng)大的替換函數(shù)，遠(yuǎn)勝過substr，正則表達(dá)式中可以設(shè)置非常靈活的規(guī)則，然后返回被替換后的字符串，如果正則表達(dá)式寫得好，基本可以解決所有子字符串的問題。sub函數(shù)和gsub函數(shù)唯一的差別在于前者匹配第一次符合模式的字符串，后者匹配所有符合模式的字符串，也就是說在替換的時候前者只替換第一次符合的，后者替換所有符合的。regexpr和gregexpr被使用的似乎比較多，因?yàn)樗鼈兒芟衿渌Z言中的instr函數(shù)，可以查找到某些字符在字符串中出現(xiàn)的位置，不過我覺得用處并不是很大，因?yàn)橥ǔＧ闆r下尋找某字符位置的目的就是為了做相關(guān)處理，而sub都能搞定。regexpr和gregexpr的關(guān)系和sub與gsub差不多，gregexpr操作向量時會返回列表。

以上就是grep系列函數(shù)的一些用法，根據(jù)例子可以很方便地使用，個人建議使用參數(shù)“pattern”和“x”就行（sub和gsub當(dāng)然還有replacement），其他的都用默認(rèn)的。在pattern中按照egrep的規(guī)則寫正則表達(dá)式，基本上可以解決所有的字符串處理問題。只需要對正則表達(dá)式有簡單的了解，就可以得到R中這些強(qiáng)大的功能。關(guān)于正則表達(dá)式的用法就在后文中分解了。