4.2 stringr
本小节介绍R包stringr，stringr处理字符相对简单，并且是tidyverse系列的一部分，是很成熟的R包，API功能稳定。stringr是基于stringi之上构建的,stringr包集合了常见字符功能函数，如果发现stringr缺少某些功能可以查看stringi包。
如上文所说，字符串处理的难点，个人觉得在于正则表达式的掌握程度。对大部分常规商业数据分析工作者的面对的表格数据而言，字符处理可能仅仅只是合并、剔除、删除空格、倒叙等基础操作，所以stringr包基本满足字符处理需求。
stringr项目地址:https://github.com/tidyverse/stringr/
如果不熟悉R中的字符串，可以从R for Data Science的字符串部分开始学习，
本小节的部分案例照搬R for Data Science。
4.2.1 安装
# Install the released version from CRAN:
install.packages("stringr")
# Install the cutting edge development version from GitHub:
# install.packages("devtools")
devtools::install_github("tidyverse/stringr")4.2.2 基本使用
stringr包中所有的函数都已str_开头，让字符做第一个参数。
- 字符串长度
library(stringr)
char <- "我是R语言学习者"
str_length(char)
# 向量化
str_length(c("a", "R for data science", NA))- 连接字符串
R中字符串不像python中可以用加号连接字符串,如下所示:
R 版本
#base R
paste0('a','b')
#stringr
str_c("a","b")
str_c("a", "b", sep = ", ") #sep 参数控制分隔符Python 版本
'a' + 'b'多个字符串合并为一个字符,stringr中的函数都是向量化的，合并一个和多个字符都是同样道理。
#base R
paste0(c('a','b','d','e'),collapse = ',')
#stringr
str_c(c('a','b','d','e'),collapse = ',') #collapse 参数控制- 移除
在正则表达式中 有特殊含义,有时需要两个 ，多体会下面这段，代码实现移除“||”的功能。
library(stringr)
str_remove(string = 'a||b',pattern = "\\|\\|")另外常见的\n, \t需要被转义处理,在字符清洗,如小说语义分析,网页爬虫后整理等数据清洗过程中经常用到.
4.2.3 常用函数
4.2.3.1 截取字符
与Excle中left,mid,right函数功能类似
str_sub() 函数 三个参数:
string:需要被截取的字符串
start: 默认1L,即从最开始截取
end:默认-1L,即截取到最后
#注意end 3 和 -3的区别
str_sub(string = '我是R语言学习者',start = 2,end = 3)
str_sub(string = '我是R语言学习者',start = 2,end = -3)4.2.3.2 匹配字符
查看函数帮助文档,str_match()按照指定pattern(正则表达式)查找字符。困难点在于正则表达式的编写。
?str_match()
?str_match_all()
?str_extract()
?str_extract_all()str_extract()函数返回向量,str_match()函数返回矩阵.
#原文来源烽火戏诸侯的<剑来>
strings <- c('陈平安放下新折的那根桃枝,吹灭蜡烛,走出屋子后,坐在台阶上,仰头望去,星空璀璨.')
str_extract(strings,'陈平安')
str_match(strings,'陈平安')- 匹配中文
匹配中文的正则表达式\[\u4e00-\u9fa5\]
str_extract_all(strings,'[\u4e00-\u9fa5]') #返回list- 匹配数字或英文
查找数字的正则表达式[0-9];查找英文的正则表达式:[a-zA-Z]
strings <- c('00123545','LOL league of legends')
str_extract_all(strings,'[0-9]')
str_extract_all(strings,'[a-zA-Z]') 4.2.3.3 添加字符
str_pad() 函数向字符串添加字符
像工作中处理月份的时候,1,2,3,4,5,6,7,8,9,10,11,12变成01,02,03,04,05,06,07,08,09,10,11,12.按照日期时间输出文件名称,如下所示:
str_pad(string = 1:12,width = 2,side = 'left',pad = '0')4.2.3.4 去除空格
与excel中trim函数功能类似，剔除字符中的空格，但是不可以剔除字符中的空格
# side 可选 both left right
str_trim(' ab af ',side = 'both')4.2.3.5 分割字符
str_split()处理后的结果是列表
# 得到列表,需要向量化
str_split("a,b,d,e",pattern = ',')
str_split('ab||cd','\\|\\|') %>% unlist()
# same above
#str_split('ab||cd','\\|\\|') %>% purrr::as_vector()当待处理的字符串是字符串向量时，得到的列表长度与向量长度一致
fruits <- c(
"apples and oranges and pears and bananas",
"pineapples and mangos and guavas"
)
str_split(fruits, " and ")4.2.3.6 替换字符
str_replace()，str_replace_all()函数用来替换字符
fruits <- c("one apple", "two pears", "three bananas")
str_replace(fruits, "[aeiou]", "-")
str_replace_all(fruits, "[aeiou]", "-")4.2.3.7 移除字符
str_remove(),str_remove_all()移除字符。本人常用该函数剔除文本中的空格。
fruits <- c("one apple", "two pears", "three bananas")
str_remove(fruits, "[aeiou]")
str_remove_all(fruits, "[aeiou]")移除文本中空格
str_replace_all(string = ' d a b ',pattern = ' ',replacement = '')4.2.3.8 字符排序
numeric参数决定是否按照数字排序。
str_order(x, decreasing = FALSE, na_last = TRUE, locale = "en",
numeric = FALSE, ...)
str_sort(x, decreasing = FALSE, na_last = TRUE, locale = "en",
numeric = FALSE, ...)str_order(letters)
str_sort(letters)numeric参数
x <- c("100a10", "100a5", "2b", "2a")
str_sort(x)
str_sort(x, numeric = TRUE)4.2.3.9 提取单词
从句子中提取单词。
- 参数
word(string, start = 1L, end = start, sep = fixed(" "))- 案例
sentences <- c("Jane saw a cat", "Jane sat down")
word(sentences, 2, -1)
word(sentences[1], 1:3, -1)指定分隔符
# Can define words by other separators
str <- 'abc.def..123.4568.999'
word(str, 1, sep = fixed('..'))
word(str, 2, sep = fixed('..'))4.2.3.10 其他函数
- str_subset() str_which()
匹配字符串本身行筛选时候能用
fruit <- c("apple", "banana", "pear", "pinapple")
str_subset(fruit, "a")
str_which(fruit, "a") # 匹配字符首次出现的位置#str_which 是which(str_detect(x,pattern))的包装
#str_which()
#str_subset是对x[str_detect(x,pattern)]的包装
#str_subset()
#筛选出字母行
set.seed(24)
dt <- data.table::data.table(col=sample(c(letters,1:10),100,replace = T))
head(dt[str_which(col,pattern = '[a-z]')])- str_dup()
复制字符串
fruit <- c("apple", "pear", "banana")
str_dup(fruit, 2)
str_dup(fruit, 1:3)
str_c("ba", str_dup("na", 0:5))- str_starts() str_ends()
从str_detect()包装得到.
str_starts('abd','a')
str_detect('abd','^a')
str_ends('abd','d')
str_detect('abd','a$')- 大小写转换
dog <- "The quick brown dog"
str_to_upper(dog)
str_to_lower(dog)
str_to_title(dog)
str_to_sentence("the quick brown dog")