stringr包处理字符串

前段时间终于结束了一些事情，一个月来没好好坐下来看些资料了，接下来打算把之前计划的事情都一一完成下，先从stringr包开始，这个R语言的 工具 包值得做些笔记以便平时自己的查询及使用（记性不太好），可以提高不少处理数据的效率

stringr包有众多处理字符串的函数，一般都是以str_开头命名，非常好理解和记忆；相对一些相同功能的基础函数，其更加高效及便捷

下面以官方文档 https://cran.r-project.org/web/packages/stringr/vignettes/stringr.html 以及一些网上教程做个简单的整理

字符串处理

获取字符串长度 str_length() ，对应的基础函数是 nchar()

str_length("abc")
[1] 3

截取字符串 str_sub() ，对应的基础函数是 substr() ，常见的如下：

x <- c("abcdef", "ghifjk")
str_sub(x, 3, 3)
[1] "c" "i"

而我们也可用其来修改字符串，如果是赋值NA则需加上 omit_na = TRUE 参数（不然输出值均为NA了）

x1 <- x2 <- x3 <- c("abcdef", "ghifjk")
str_sub(x1, 3, 3) <- "X"
x1
[1] "abXdef" "ghXfjk"
str_sub(x2, 2, 2) <- NA
x2
[1] NA NA
str_sub(x3, 2, 2, omit_na = TRUE) <- NA
x3
[1] "abcdef" "ghifjk"

赋值字符串 str_dup() ，对应的基础函数应该是 rep() 加上 paste() ，但 str_dup() 更加好用，如：

str_dup("abc", c(2, 3))
[1] "abcabc"    "abcabcabc"

字符串拼接 str_c() ，其参数与 paste() 一样，均有sep(把多个字符串拼接为一个大的字符串)以及collapse（把多个向量参数拼接为一个大的字符串），但对于NA的处理有点差别： paste 会NA当做字符串’NA’，而 str_c 则需要先做一个NA的转化，如：

paste("a","b",NA,sep="")
[1] "abNA"
tr_c("a", "b", str_replace_na(NA))
[1] "abNA"

字符串-空白的添加、删除及修改

对于whitespace的操作我不太常用，唯一用过的是截断长字符，用 str_trunc()

x <- c("Short", "This is a long string")
str_trunc(x, 10)
[1] "Short"      "This is..."

添加空格使字符串变成固定长度 str_pad() ，默认是添加在左边；但其不会缩断字符串长度，尽管你参数设置小于字符串长度（PS.由于该特性，其与 str_trunc() 搭配使用可确保所有字符串有相同长度）

str_pad(c("aa", "bbccee"), 4)
[1] "  aa"   "bbccee"

用 str_trim() 可实现与上述相反的功能-删除空白以及tab分隔符，默认也是两边均删除

str_trim("  abc  ")
[1] "abc"

用 str_wrap() 可实现长段文字段落化

字符串变换-大小写转化及排序

str_to_upper() 及 str_to_lower() 可实现大写和小写的转化，对应的基础函数则是 toupper() 及 tolower()

x <- "I like horses."
str_to_upper(x)
[1] "I LIKE HORSES."
str_to_lower(x)
[1] "i like horses."

另外还有转化为标题（首字母大写）的 str_to_title()

str_to_title(x)
[1] "I Like Horses."

如果是非英文的则需设置 local 参数，以 stringi::stri_locale_list() 查看其可选项

str_order() 和 str_sort() 对应基础函数 order() 和 sort() ，因此比较好理解，而且也支持local参数

str_conv() 可支持字符串的编码转化，相见恨晚的函数，对于一些中文乱码的情况非常好用（尤其是window系统下）

字符串的正则匹配

正则匹配在常规数据处理过程中是一个必不可少的技能，这也是我喜欢用stringr包的重要原因，其对标的是基础函数 grep() / grepl() / gregexpr() / sub() 等

str_detect() 判断是否匹配上，对应 grepl()

x <- c("abcdef", "ghifjk")
str_detect(x, "a")
[1]  TRUE FALSE

str_subset() 返回匹配上的元素，对应 grep()

str_subset(x, "abc")
[1] "abcdef"

str_locate() 返回匹配上字符串的位置，对应 gregexpr()

str_locate(x, "cde")
    start end
[1,]     3   5
[2,]    NA  NA

有些stringr包的函数默认是返回第一次匹配的结果，如果要返回所有匹配的，需要加all后缀的函数（还有几个函数也类似），如：

str_locate_all(c("abcdefabc", "ghifjkabc"), "abc")
[[1]]
     start end
[1,]     1   3
[2,]     7   9

[[2]]
     start end
[1,]     7   9

str_extract() 与 str_subset 相似但略有区别，其返回的是匹配上的字符串，无匹配上的则返回NA； str_extract_all 有个simplify参数能矩阵格式的结果（默认是list格式）

str_extract(x, "abc")
[1] "abc" NA

str_match() 返回你正则表达式中需要捕获的字符串；比如你抓取 c("aa11bb22cc", "aa11bb33cc") 这字符串中的22和33数字，如果单纯用 str_extract 是不行的，用基础函数 sub 倒是可以，但略微有点麻烦，如：

sub("\\w+[a-z](\\d+)[a-z]+", "\\1", "aa11bb22cc")
[1] "22"

但是用 str_match() 的话就比较直观简单了，其第一列是完全匹配的字符串，第二列开始则是捕获的，非常好用！如：

str_match("aa11bb22cc", "\\w+[a-z](\\d+)([a-z]+)")
     [,1]         [,2] [,3]
[1,] "aa11bb22cc" "22" "cc"

str_replace() 用法跟基础函数 sub() 非常相似，都是将匹配上的字符串做个替换

str_replace("apple", "a", "xx")
[1] "xxpple"

如果是替换成空，那么可以考虑用 str_remove() ，相当于 str_replace(string, pattern, "")

除了上述外，还有些简单且有效的函数，比如：

str_count 返回匹配上数目

str_count("aabbcc", "a")
[1] 2

str_split() 类似于基础函数 strsplit() ，分割字符串，用法也一样；但是还有个 str_split_fixed 可以指定分割成数目，而前两者是没这个功能的，如：

str_split_fixed("a-b-c", "-", n = 2)
    [,1] [,2] 
[1,] "a"  "b-c"

除了上述提到的正则匹配外，stringr包还有其他的Engines：

fixed()
coll()
boundary()

对于boundary可以看个例子：

x <- "This is a sentence."
str_split(x, boundary("word"))
[[1]]
[1] "This"     "is"       "a"        "sentence"

所以一般我们常见的相当于boundary(“character”)

本文出自于 http://www.bioinfo-scrounger.com 转载请注明出处