第9章字符串处理

在处理数据过程中，通常会碰到需要提取具有某一类特征的变量名或者需要从特定变量中筛选出包含某一类特征的字符串的情况。正则表达式（regular expression）就是帮助我们识别特定字符串的工具。

R中可以使用grep函数、grepl函数或者调用stringr包的str_view函数进行正则表达式匹配：

grep函数返回目标字符串所在的位置（即索引值）。

grepl函数返回逻辑向量。

stringr包的str_view函数返回目标字符串，str_detect函数返回逻辑向量。

正则表达式主要依赖于元字符，其具体含义如下表：

元字符	含义
[]	匹配方括号内的任意字符（可以任意组合）
[^]	匹配除方括号内字符以外的任意字符
*	匹配大于等于0个在`*`号之前的重复字符
+	匹配至少1个在`+`号之前的重复字符
?	匹配至多1个在`+`号之前的重复字符
{n}	匹配正好n个在`{}`号之前的字符
{n,}	匹配至少n个在`{}`号之前的字符
{n,m}	匹配至少n个，至多m个在`{}`号之前的字符
()	匹配与括号内完全相同的字符（数目与排序必须完全一致）
\|	匹配`\|`符号前或后的字符
^	`^`之后的字符位于开始端
$	`$`之前的字匹配字符位于末端
\	转义字符，用于匹配保留的元字符 `.[]*+?{}()\^$`

正则表达式也提供一些常用的字符集简写，如下表所示：

简写	含义
.	除换行符外的所有字符
\d	匹配所有数字，等同于`[0-9]`
\D	匹配所有非数字，等同于`[^0-9]`
\w	匹配所有字母、数字和下划线，等同于`[a-zA-Z0-9_]`
\W	匹配所有非字母、数字和下划线，等同于`[^a-zA-Z0-9_]`
\t	匹配水平制表符
\n	匹配换行符
\s	匹配所有空格字符（空格、制表符或换行符）
\S	匹配所有非空格字符（空格、制表符或换符行）

注意：

在R中使用正则表达式时，字符型常量中一个\要写成两个\\。

使用字符集简写时，grep函数的perl参数需要被设定成TRUE。

# 创建字符串向量
var_name <- c("cn-Bmi_2014", "cn_-bMi-2015", "uk-bmi_2014", "uk-bm i_2015", "ck_bmi_2014", "ck_bmi_2015", "cn_bim_2014", "uk_bim_2014", "ck_b im_2014")

# 查找包含BMI的变量
var_name[grep("bmi|bm i", var_name, ignore.case=TRUE)]

## [1] "cn-Bmi_2014"  "cn_-bMi-2015" "uk-bmi_2014"  "uk-bm i_2015" "ck_bmi_2014"  "ck_bmi_2015"

# 查找cn和uk的BMI变量
var_name[grep("^(cn|uk)[\\w-]+bmi", var_name, ignore.case=TRUE, perl=TRUE)]

## [1] "cn-Bmi_2014"  "cn_-bMi-2015" "uk-bmi_2014"

# 查找ck 2014年的变量
var_name[grep("^ck[\\w\\s-]+2014$", var_name, ignore.case=TRUE, perl=TRUE)]

## [1] "ck_bmi_2014"  "ck_b im_2014"

# 调用包
library(stringr)
str_view(var_name, "bmi") # 大小写敏感

## [3] │ uk-<bmi>_2014
## [5] │ ck_<bmi>_2014
## [6] │ ck_<bmi>_2015

# 默认大小写敏感，如果想忽略大小写，需要用regex(ignore_case=TRUE)说明
str_view(var_name, regex("bmi", ignore_case=TRUE))

## [1] │ cn-<Bmi>_2014
## [2] │ cn_-<bMi>-2015
## [3] │ uk-<bmi>_2014
## [5] │ ck_<bmi>_2014
## [6] │ ck_<bmi>_2015

有时我们也会碰到在字符串的前后有空格的情况，这时我们可以用[\\s]*去进行正则表达式匹配或者使用stringr包的str_trim()函数移除位于字符串两端的空格。

library(stringr)
trim_vector <- c(" the ", " good", "b  ad ")
str_trim(trim_vector)

## [1] "the"   "good"  "b  ad"

如果需要移除字符串中间的多余空格（即仅保留一个空格），可以使用str_squish()函数。

trim_string <- " Marry   has a  little lamb. "
str_squish(trim_vector) # 字符串中间仅保留一个空格

## [1] "the"  "good" "b ad"

str_squish(trim_string)

## [1] "Marry has a little lamb."

第9章 字符串处理

第9章字符串处理