使用stringr处理字符串
用于字符串处理的 stringr 包。stringr 不是tidyverse 核心 R 包的一部分，我们需要使用命令来加载它。
library(tidyverse) library(stringr)
1.2 字符串基础
可以使用单引号或双引号来创建字符串。单引号和双引号在 R 中没有区别。
string1 <- "This is a string" string2 <- 'To put a "quote" inside a string, use single quotes'
加号 + ，这是一个续行符：
如果想要查看字符串的初始内容，可以使用 writelines() 函数：
x <- c("\"", "\\")
x
writeLines(x)
多个字符串通常保存在一个字符向量中，你可以使用 c() 函数来创建字符向量：
c("one", "two", "three")
1.2.1 字符串长度
str_length() 函数可以返回字符串中的字符数量：
str_length(c("a", "R for data science", NA))
1.2.2 字符串组合
要想组合两个或更多字符串，可以使用 str_c() 函数：
str_c("x", "y")
str_c("x", "y", "z")
使用 sep 参数来控制字符串间的分隔方式：
str_c("x", "y", sep = ", ")
如果想要将它们输出为 "NA"，可以使用 str_replace_na()：
x <- c("abc", NA)
str_c("|-", x, "-|")
str_c("|-", str_replace_na(x), "-|")
str_c() 函数是向量化的，它可以自动循环短向量，使得其与最长的向量具有相同的长度：
str_c("prefix-", c("a", "b", "c"), "-suffix")
长度为 0 的对象会被无声无息地丢弃。这与 if 结合起来特别有用：
name <- "Hadley" time_of_day <- "morning" birthday <- FALSE str_c( "Good ", time_of_day, " ", name, if (birthday) " and HAPPY BIRTHDAY", "." )
要想将字符向量合并为字符串，可以使用 collapse() 函数：
str_c(c("x", "y", "z"), collapse = ", ")
1.2.3 字符串取子集
可以使用 str_sub() 函数来提取字符串的一部分，str_sub() 函数中还有 start 和 end 参数，它们给出了子串的位置（包括 start 和 end 在内）：
x <- c("Apple", "Banana", "Pear")
str_sub(x, 1, 3)
# 负数表示从后往前数
str_sub(x, -3, -1)
即使字符串过短，str_sub() 函数也不会出错，它将返回尽可能多的字符：
str_sub("a", 1, 5)
可以使用 str_sub() 函数的赋值形式来修改字符串：
str_sub(x, 1, 1) <- str_to_lower(str_sub(x, 1, 1)) x
1.2.4 区域设置
str_to_lower() 函数将文本转换为小写，str_to_upper()函数将文本转换为大写。可以通过明确区域设置来选择使用哪种规则。
# 土耳其语中有带点和不带点的两个i，它们在转换为大写时是不同的：
str_to_upper(c("i", "ı"))
str_to_upper(c("i", "ı"), locale = "tr")
R 基础包中的 order() 和 sort() 函数使用当前区域设置对字符串进行排序。更强大的可以使用 str_sort() 和 str_order() 函数，它们可以使用 locale 参数来进行区域设置：
x <- c("apple", "eggplant", "banana")
str_sort(x, locale = "en") # 英语
str_sort(x, locale = "haw") # 夏威夷语
1.3 使用正则表达式进行模式匹配
我们通过 str_view() 和 str_view_all() 函数来学习正则表达式。这两个函数接受一个字符
向量和一个正则表达式，并显示出它们是如何匹配的。
1.3.1 基础匹配
最简单的模式是精确匹配字符串 ：
x <- c("apple", "banana", "pear")
str_view(x, "an")
更复杂一些的模式是使用 . ，它可以匹配任意字符（除了换行符）：
str_view(x, ".a.")
如果 . 可以匹配任意字符，那么如何匹配字符 . ？需要使用一个“转义”符号来告诉正则表达式实际上就是要匹配 . 这个字符，而不是使用 . 来匹配其他字符。而且 \ 在字符串中也用作转义字符，所以正则表达式 \. 的字符串形式应是 \\. ：
# 要想建立正则表示式，我们需要使用\\
dot <- "\\."
# 实际上表达式本身只包含一个\：
writeLines(dot)
# 这个表达式告诉R搜索一个.
str_view(c("abc", "a.c", "bef"), "a\\.c")
如果 \ 在正则表达式中用作转义字符，建立形式为 \\ 的正则表达式。要想建立这样的正则表达式，我们需要使用一个字符串，其中还需要对 \ 进行转义。这意味着要想匹配字符 \，我们需要输入 "\\\\" ——你需要 4 个反斜杠来匹配 1 个反斜杠。
x <- "a\\b"
writeLines(x)
str_view(x, "\\\\")
1.3.3 锚点
有时我们需要在正则表达式中设置锚点，以便 R 从字符串的开头或末尾进行匹配。我们可以设置两种锚点。
^ 从字符串开头进行匹配。
$ 从字符串末尾进行匹配。
x <- c("apple", "banana", "pear")
str_view(x, "^a")
str_view(x, "a$")
如果想要强制正则表达式匹配一个完整字符串，那么可以同时设置 ^ 和 $ 这两个锚点：
x <- c("apple pie", "apple", "apple cake")
str_view(x, "apple")
str_view(x, "^apple$")
1.3.5 字符类与字符选项
. 它可以匹配除换行符外的任意字符。还有其他 4 种常用的字符类：
• \d 可以匹配任意数字。
• \s 可以匹配任意空白字符（如空格、制表符和换行符）。
• [abc] 可以匹配 a、b 或 c。
• [^abc] 可以匹配除 a、b、c 外的任意字符。
要想创建包含 \d 或 \s 的正则表达式，你需要在字符串中对 \ 进行转义，因此需要输入 "\\d" 或 "\\s"。 abc|xyz 匹配的是 abc 或 xyz。
str_view(c("grey", "gray"), "gr(e|a)y"
1.3.7 重复
正则表达式的另一项强大功能是，其可以控制一个模式能够匹配多少次。
• ?：0 次或 1 次。
• +：1 次或多次。
• *：0 次或多次。
x <- "1888 is the longest year in Roman numerals: MDCCCLXXXVIII" str_view(x, "CC?")
str_view(x, "CC+")
str_view(x, 'C[LX]+')
可以精确设置匹配的次数：
• {n}：匹配 n 次。
• {n,}：匹配 n 次或更多次。
• {,m}：最多匹配 m 次。
• {n, m}：匹配 n 到 m 次。
str_view(x, "C{2}") #匹配2次
str_view(x, "C{2,}")
str_view(x, "C{2,3}")
默认的匹配方式是“贪婪的”：正则表达式会匹配尽量长的字符串。通过在正则表达式后面添加一个 ?，你可以将匹配方式更改为“懒惰的”，即匹配尽量短的字符串。
str_view(x, 'C{2,3}?')
str_view(x, 'C[LX]+?')
1.3.9 分组与回溯引用
括号还可以定义“分组”，你可以通过回溯引用（如 \1、\2 等）来引用这些分组。
str_view(fruit, "(..)\\1", match = TRUE)
1.4 工具
1.4.1 匹配检测
要想确定一个字符向量能否匹配一种模式，可以使用 str_detect() 函数。
x <- c("apple", "banana", "pear")
str_detect(x, "e")
sum(str_detect(words, "^t")) # 有多少个以t开头的常用单词？
mean(str_detect(words, "[aeiou]$")) # 以元音字母结尾的常用单词的比例是多少？
找出不包含元音字母的所有单词：
# 找出至少包含一个元音字母的所有单词，然后取反
no_vowels_1 <- !str_detect(words, "[aeiou]")
# 找出仅包含辅音字母（非元音字母）的所有单词
no_vowels_2 <- str_detect(words, "^[^aeiou]+$") identical(no_vowels_1, no_vowels_2)
str_detect() 函数的一种常见用法是选取出匹配某种模式的元素。你可以通过逻辑取子集
方式来完成这种操作，也可以使用便捷的 str_subset() 包装器函数：
words[str_detect(words, "x$")] #匹配最后一个字符x
str_subset(words, "x$")
字符串通常会是数据框的一列，此时我们可以使用 filter 操作：
df <- tibble( word = words, i = seq_along(word) # 从参数word的长度中提取长度 ) df %>% filter(str_detect(words, "x$"))
str_detect() 函数的一种变体是 str_count()，返回字符串中匹配的数量：
x <- c("apple", "banana", "pear")
str_count(x, "a")
# 平均来看，每个单词中有多少个元音字母？
mean(str_count(words, "[aeiou]"))
str_count() 可以同 mutate() 函数一同使用： df %>% mutate( # 增加列 vowels = str_count(word, "[aeiou]"), #统计单词中元音字符的数量 consonants = str_count(word, "[^aeiou]") #统计单词中不是元音字符的数量 )
匹配从来不会重叠。例如，在 "abababa" 中，模式 "aba" 会匹配多少次？正则表达式会告诉你是 2 次，而不是 3 次：
str_count("abababa", "aba")
str_view_all("abababa", "aba")
1.4.3 提取匹配内容
stringr::sentences length(sentences)
head(sentences)
假设我们想要找出包含一种颜色的所有句子，首先，我们需要创建一个颜色名称向量，然后将其转换成一个正则表达式：
colors <- c( #颜色向量 "red", "orange", "yellow", "green", "blue", "purple" ) color_match <- str_c(colors, collapse = "|") color_match
以选取出包含一种颜色的句子，再从中提取出颜色：
has_color <- str_subset(sentences, color_match) #筛选出含有颜色的句子 matches <- str_extract(has_color, color_match) #提取颜色 head(matches) #展示
str_extract() 只提取第一个匹配。我们可以先选取出具有多于一种匹配的所有句子：
more <- sentences[str_count(sentences, color_match) > 1] #筛选出不止一个颜色的句子 str_view_all(more, color_match) #提取句子中所有的颜色
str_extract(more, color_match)
要想得到所有匹配，可以使用 str_extract_all() 函数，它会返回一个列表：
str_extract_all(more, color_match)
1.4.5 分组匹配
先进行一种启发式实验，找出跟在 a 或 the 后面的所有单词。
noun <- "(a|the) ([^ ]+)" has_noun <- sentences %>% str_subset(noun) %>% head(10) has_noun %>% str_extract(noun)
str_extract() 函数可以给出完整匹配；str_match() 函数则可以给出每个独立分组。str_match() 返回的是一个矩阵，其中一列是完整匹配，后面的列是每个分组的匹配：
has_noun %>% str_match(noun)
如果数据是保存在 tibble 中的，那么使用 tidyr::extract() 会更容易，要求为每个分组提供一个名称，以作为新列放在 tibble 中：
tibble(sentence = sentences) %>%
tidyr::extract(
sentence, c("article", "noun"), "(a|the) ([^ ]+)",
remove = FALSE
)
1.4.7 替换匹配内容
str_replace() 和 str_replace_all() 函数可以使用新字符串替换匹配内容。最简单的应用是使用固定字符串替换匹配内容：
x <- c("apple", "pear", "banana")
str_replace(x, "[aeiou]", "-") # 使用符号 - 替换元音字符 aeiou
str_replace_all(x, "[aeiou]", "-")
通过提供一个命名向量，使用 str_replace_all() 函数可以同时执行多个替换：
x <- c("1 house", "2 cars", "3 people")
str_replace_all(x, c("1" = "one", "2" = "two", "3" = "three"))
可以使用回溯引用来插入匹配中的分组：（没看懂）
sentences %>%
str_replace("([^ ]+) ([^ ]+) ([^ ]+)", "\\1 \\3 \\2") %>%
head(5)
1.4.9 拆分
str_split() 函数可以将字符串拆分为多个片段。例如，我们可以将句子拆分成单词：
sentences %>%
head(5) %>%
str_split(" ")
因为字符向量的每个分量会包含不同数量的片段，所以 str_split() 会返回一个列表。如果你拆分的是长度为 1 的向量，那么只要简单地提取列表的第一个元素即可：
"a|b|c|d" %>%
str_split("\\|") %>%
.[[1]]
可以通过设置 simplify = TRUE 返回一个矩阵：
sentences %>%
head(5) %>%
str_split(" ", simplify = TRUE)
可以设定拆分片段的最大数量：
fields <- c("Name: Hadley", "Country: NZ", "Age: 35")
fields %>% str_split(": ", n = 2, simplify = TRUE)
可以通过字母、行、句子和单词边界（boundary() 函数）来拆分字符串：
x <- "This is a sentence. This is another sentence."
str_view_all(x, boundary("word"))
str_split(x, " ")[[1]] #显示第1个列表内容[[1]]
str_split(x, boundary("word"))[[1]]
1.4.11 定位匹配内容
str_locate() 和 str_locate_all() 函数可以给出每个匹配的开始位置和结束位置。以使用 str_locate() 函数找出匹配的模式，然后使用 str_sub() 函数来提取或修改匹配的内容。
1.5 其他类型的模式
当使用一个字符串作为模式时，R 会自动调用 regex() 函数对其进行包装：
# 正常调用：
str_view(fruit, "nana")
# 上面形式是以下形式的简写
str_view(fruit, regex("nana"))
可以使用 regex() 函数的其他参数来控制具体的匹配方式：
（1）ignore_case = TRUE 既可以匹配大写字母，也可以匹配小写字母，它总是使用当前的区
域设置：
bananas <- c("banana", "Banana", "BANANA")
str_view(bananas, "banana")
str_view(bananas, regex("banana", ignore_case = TRUE))
（2）multiline = TRUE 可以使得 ^ 和 $ 从每行的开头和末尾开始匹配，而不是从完整字符串
的开头和末尾开始匹配：
x <- "Line 1\nLine 2\nLine 3" str_extract_all(x, "^Line")[[1]]
str_extract_all(x, regex("^Line", multiline = TRUE))[[1]]
（3）comments = TRUE 可以让你在复杂的正则表达式中加入注释和空白字符，以便更易理解。匹配时会忽略空格和 # 后面的内容。如果想要匹配一个空格，你需要对其进行转义："\\ "：
phone <- regex("
\\(? # 可选的开括号
(\\d{3}) # 地区编码
[)- ]? # 可选的闭括号、短划线或空格
(\\d{3}) # 另外3个数字
[ -]? # 可选的空格或短划线
(\\d{3}) # 另外3个数字
", comments = TRUE)
str_match("514-791-8141", phone)
（4）dotall = TRUE 可以使得 . 匹配包括 \n 在内的所有字符。
fixed() 函数可以按照字符串的字节形式进行精确匹配，它会忽略正则表达式中的所有特殊字符，并在非常低的层次上进行操作。
library(microbenchmark)
microbenchmark::microbenchmark(
fixed = str_detect(sentences, fixed("the")),
regex = str_detect(sentences, "the"),
times = 20）
coll() 函数使用标准排序规则来比较字符串，这在进行不区分大小写的匹配时是非常有效的。缺点是速度比较慢。 # 这意味着在进行不区分大小写的匹配时，还是需要知道不同规则之间的区别：
i <- c("I", "İ", "i", "ı")
i
str_subset(i, coll("i", ignore_case = TRUE))
str_subset(
i,
coll("i", ignore_case = TRUE, locale = "tr") # locale 参数，以确定使用哪种规则来比较字符
)
fixed() 和 regex() 函数中都有 ignore_case 参数，但都无法选择区域设置，它们总是使用默认的区域设置。查看默认区域设置：
stringi::stri_locale_info()
1.6 正则表达式的其他应用
apropos() 函数可以在全局环境空间中搜索所有可用对象。当不能确切想起函数名称时，这个函数特别有用：
apropos("replace")
dir() 函数可以列出一个目录下的所有文件。dir() 函数的 patten 参数可以是一个正则
表达式，此时它只返回与这个模式相匹配的文件名。例如返回当前目录中的所有 R Markdown 文件：
head(dir(pattern = "\\.Rmd$"))
1.7 stringi
stringr 建立于 stringi 的基础之上，与 stringr 不同，stringi 的设计思想是尽量全面，几乎包含了我们可以用到的所有函数：stringi 中有 234 个函数，而stringr 中只有 42 个。