字符串处理是数据清洗与分析中必不可少的一环。R语言中的stringr
包提供了强大且易用的字符串处理函数,而正则表达式则使得字符串的匹配与替换更为灵活和高效。本文将详细介绍如何使用stringr
和正则表达式来处理字符串,并提供相应的示例代码。
一、Stringr 包
1. 创建与查看
查看:
library(stringr) str_view("Hello World", "World")
使用
str_view
可以直观地查看匹配结果,base::writeLines
可以显示字符串内容。转义符:使用
\\
进行转义,例如:# cat()函数:Concatenate and Print(连接和打印) cat("This is a backslash: \\")
This is a backslash: \
原始字符串:可以避免频繁的转义,例如:
raw_string <- r"(\d{3}-\d{2}-\d{4})"
2. 长度与子集
字符串长度:
str_length("Hello")
[1] 5
按位置提取子集:
str_sub("Hello World", 1, 5)
[1] "Hello"
填充字符串:
str_pad("Hello", width = 10, side = "both", pad = "-")
[1] "--Hello---"
3. 检测匹配
检测匹配:返回逻辑值,注意是向量运算;可以与sum()等统计函数合用。
str_detect(c("apple", "banana", "pear"), "a")
[1] TRUE TRUE TRUE
选择匹配的子集:对于字符串向量,选出符合匹配的子集,注意与
str_sub
区分开。str_subset(c("apple", "banana", "pear"), "a")
[1] "apple" "banana" "pear"
统计匹配次数:
str_count(c("apple", "banana", "pear"), "a")
[1] 1 3 1
查看匹配:
str_view(c("apple", "banana", "pear"), "a")
4. 提取匹配
提取第一个匹配项:如果没有匹配则返回NA
str_extract("The price is $123", "\\$\\d+")
[1] "$123"
提取所有匹配项:
str_extract_all("The price is $123 or $456", "\\$\\d+")
[1] "$123" "$456"
分组匹配:
str_match("The price is $123", "(\\$\\d+)")
5. 修改字符串
按位置替换子集:
text <- "Hello, world!" str_sub(text, 1, 5) <- "Hi"
转换为小写:
str_to_lower("Hello")
替换匹配项:
str_replace("The price is $123", "\\$\\d+", "$456")
6. 连接和分割
合并字符串:
str_c("Hello", "World", sep = " ")
分割字符串:
str_split("apples,oranges,pears", ",")
7. 排序与定位字符串
排序字符向量:
str_sort(c("banana", "apple", "pear"))
返回排序序号:
str_order(c("banana", "apple", "pear"))
定位匹配项:
str_locate("The price is $123", "\\$\\d+")
二、正则表达式
1. 基础/精确匹配
最简单的正则表达式是匹配一个精确的字符串,如apple
。
2. 条件
“或”匹配:
str_detect(c("apple", "banana", "pear"), "apple|banana")
“之一”匹配:
str_detect(c("apple", "banana", "pear"), "[aeiou]")
3. 锚点 (始于权力^(power),终于金钱$)
开始匹配:
str_detect("apple", "^a")
结尾匹配:
str_detect("apple", "e$")
4. 量词
出现0次或1次:
str_detect(c("color", "colour"), "colou?r")
出现1次或更多:
str_detect(c("apple", "aple"), "ap+le")
5. 特殊字符集合
匹配任何数字(digit):
str_detect("123abc", "\\d")
匹配空白字符(space):
str_detect("a b", "\\s")
6. 分组与回溯引用
分组匹配:
str_match("The price is $123", "(\\$\\d+)")
回溯引用:
str_replace("abab", "(ab)\\1", "cd")