使用stringr處理字符串
用於字符串處理的 stringr 包。stringr 不是tidyverse 核心 R 包的一部分，我們需要使用命令來加載它。
library(tidyverse) library(stringr)
1.2 字符串基礎
可以使用單引號或雙引號來創建字符串。單引號和雙引號在 R 中沒有區別。
string1 <- "This is a string" string2 <- 'To put a "quote" inside a string, use single quotes'
加號 + ，這是一個續行符：
如果想要查看字符串的初始內容，可以使用 writelines() 函數：
x <- c("\"", "\\")
x
writeLines(x)
多個字符串通常保存在一個字符向量中，你可以使用 c() 函數來創建字符向量：
c("one", "two", "three")
1.2.1 字符串長度
str_length() 函數可以返回字符串中的字符數量：
str_length(c("a", "R for data science", NA))
1.2.2 字符串組合
要想組合兩個或更多字符串，可以使用 str_c() 函數：
str_c("x", "y")
str_c("x", "y", "z")
使用 sep 參數來控制字符串間的分隔方式：
str_c("x", "y", sep = ", ")
如果想要將它們輸出為 "NA"，可以使用 str_replace_na()：
x <- c("abc", NA)
str_c("|-", x, "-|")
str_c("|-", str_replace_na(x), "-|")
str_c() 函數是向量化的，它可以自動循環短向量，使得其與最長的向量具有相同的長度：
str_c("prefix-", c("a", "b", "c"), "-suffix")
長度為 0 的對象會被無聲無息地丟棄。這與 if 結合起來特別有用：
name <- "Hadley" time_of_day <- "morning" birthday <- FALSE str_c( "Good ", time_of_day, " ", name, if (birthday) " and HAPPY BIRTHDAY", "." )
要想將字符向量合並為字符串，可以使用 collapse() 函數：
str_c(c("x", "y", "z"), collapse = ", ")
1.2.3 字符串取子集
可以使用 str_sub() 函數來提取字符串的一部分，str_sub() 函數中還有 start 和 end 參數，它們給出了子串的位置（包括 start 和 end 在內）：
x <- c("Apple", "Banana", "Pear")
str_sub(x, 1, 3)
# 負數表示從后往前數
str_sub(x, -3, -1)
即使字符串過短，str_sub() 函數也不會出錯，它將返回盡可能多的字符：
str_sub("a", 1, 5)
可以使用 str_sub() 函數的賦值形式來修改字符串：
str_sub(x, 1, 1) <- str_to_lower(str_sub(x, 1, 1)) x
1.2.4 區域設置
str_to_lower() 函數將文本轉換為小寫，str_to_upper()函數將文本轉換為大寫。可以通過明確區域設置來選擇使用哪種規則。
# 土耳其語中有帶點和不帶點的兩個i，它們在轉換為大寫時是不同的：
str_to_upper(c("i", "ı"))
str_to_upper(c("i", "ı"), locale = "tr")
R 基礎包中的 order() 和 sort() 函數使用當前區域設置對字符串進行排序。更強大的可以使用 str_sort() 和 str_order() 函數，它們可以使用 locale 參數來進行區域設置：
x <- c("apple", "eggplant", "banana")
str_sort(x, locale = "en") # 英語
str_sort(x, locale = "haw") # 夏威夷語
1.3 使用正則表達式進行模式匹配
我們通過 str_view() 和 str_view_all() 函數來學習正則表達式。這兩個函數接受一個字符
向量和一個正則表達式，並顯示出它們是如何匹配的。
1.3.1 基礎匹配
最簡單的模式是精確匹配字符串 ：
x <- c("apple", "banana", "pear")
str_view(x, "an")
更復雜一些的模式是使用 . ，它可以匹配任意字符（除了換行符）：
str_view(x, ".a.")
如果 . 可以匹配任意字符，那么如何匹配字符 . ？需要使用一個“轉義”符號來告訴正則表達式實際上就是要匹配 . 這個字符，而不是使用 . 來匹配其他字符。而且 \ 在字符串中也用作轉義字符，所以正則表達式 \. 的字符串形式應是 \\. ：
# 要想建立正則表示式，我們需要使用\\
dot <- "\\."
# 實際上表達式本身只包含一個\：
writeLines(dot)
# 這個表達式告訴R搜索一個.
str_view(c("abc", "a.c", "bef"), "a\\.c")
如果 \ 在正則表達式中用作轉義字符，建立形式為 \\ 的正則表達式。要想建立這樣的正則表達式，我們需要使用一個字符串，其中還需要對 \ 進行轉義。這意味着要想匹配字符 \，我們需要輸入 "\\\\" ——你需要 4 個反斜杠來匹配 1 個反斜杠。
x <- "a\\b"
writeLines(x)
str_view(x, "\\\\")
1.3.3 錨點
有時我們需要在正則表達式中設置錨點，以便 R 從字符串的開頭或末尾進行匹配。我們可以設置兩種錨點。
^ 從字符串開頭進行匹配。
$ 從字符串末尾進行匹配。
x <- c("apple", "banana", "pear")
str_view(x, "^a")
str_view(x, "a$")
如果想要強制正則表達式匹配一個完整字符串，那么可以同時設置 ^ 和 $ 這兩個錨點：
x <- c("apple pie", "apple", "apple cake")
str_view(x, "apple")
str_view(x, "^apple$")
1.3.5 字符類與字符選項
. 它可以匹配除換行符外的任意字符。還有其他 4 種常用的字符類：
• \d 可以匹配任意數字。
• \s 可以匹配任意空白字符（如空格、制表符和換行符）。
• [abc] 可以匹配 a、b 或 c。
• [^abc] 可以匹配除 a、b、c 外的任意字符。
要想創建包含 \d 或 \s 的正則表達式，你需要在字符串中對 \ 進行轉義，因此需要輸入 "\\d" 或 "\\s"。 abc|xyz 匹配的是 abc 或 xyz。
str_view(c("grey", "gray"), "gr(e|a)y"
1.3.7 重復
正則表達式的另一項強大功能是，其可以控制一個模式能夠匹配多少次。
• ?：0 次或 1 次。
• +：1 次或多次。
• *：0 次或多次。
x <- "1888 is the longest year in Roman numerals: MDCCCLXXXVIII" str_view(x, "CC?")
str_view(x, "CC+")
str_view(x, 'C[LX]+')
可以精確設置匹配的次數：
• {n}：匹配 n 次。
• {n,}：匹配 n 次或更多次。
• {,m}：最多匹配 m 次。
• {n, m}：匹配 n 到 m 次。
str_view(x, "C{2}") #匹配2次
str_view(x, "C{2,}")
str_view(x, "C{2,3}")
默認的匹配方式是“貪婪的”：正則表達式會匹配盡量長的字符串。通過在正則表達式后面添加一個 ?，你可以將匹配方式更改為“懶惰的”，即匹配盡量短的字符串。
str_view(x, 'C{2,3}?')
str_view(x, 'C[LX]+?')
1.3.9 分組與回溯引用
括號還可以定義“分組”，你可以通過回溯引用（如 \1、\2 等）來引用這些分組。
str_view(fruit, "(..)\\1", match = TRUE)
1.4 工具
1.4.1 匹配檢測
要想確定一個字符向量能否匹配一種模式，可以使用 str_detect() 函數。
x <- c("apple", "banana", "pear")
str_detect(x, "e")
sum(str_detect(words, "^t")) # 有多少個以t開頭的常用單詞？
mean(str_detect(words, "[aeiou]$")) # 以元音字母結尾的常用單詞的比例是多少？
找出不包含元音字母的所有單詞：
# 找出至少包含一個元音字母的所有單詞，然后取反
no_vowels_1 <- !str_detect(words, "[aeiou]")
# 找出僅包含輔音字母（非元音字母）的所有單詞
no_vowels_2 <- str_detect(words, "^[^aeiou]+$") identical(no_vowels_1, no_vowels_2)
str_detect() 函數的一種常見用法是選取出匹配某種模式的元素。你可以通過邏輯取子集
方式來完成這種操作，也可以使用便捷的 str_subset() 包裝器函數：
words[str_detect(words, "x$")] #匹配最后一個字符x
str_subset(words, "x$")
字符串通常會是數據框的一列，此時我們可以使用 filter 操作：
df <- tibble( word = words, i = seq_along(word) # 從參數word的長度中提取長度 ) df %>% filter(str_detect(words, "x$"))
str_detect() 函數的一種變體是 str_count()，返回字符串中匹配的數量：
x <- c("apple", "banana", "pear")
str_count(x, "a")
# 平均來看，每個單詞中有多少個元音字母？
mean(str_count(words, "[aeiou]"))
str_count() 可以同 mutate() 函數一同使用： df %>% mutate( # 增加列 vowels = str_count(word, "[aeiou]"), #統計單詞中元音字符的數量 consonants = str_count(word, "[^aeiou]") #統計單詞中不是元音字符的數量 )
匹配從來不會重疊。例如，在 "abababa" 中，模式 "aba" 會匹配多少次？正則表達式會告訴你是 2 次，而不是 3 次：
str_count("abababa", "aba")
str_view_all("abababa", "aba")
1.4.3 提取匹配內容
stringr::sentences length(sentences)
head(sentences)
假設我們想要找出包含一種顏色的所有句子，首先，我們需要創建一個顏色名稱向量，然后將其轉換成一個正則表達式：
colors <- c( #顏色向量 "red", "orange", "yellow", "green", "blue", "purple" ) color_match <- str_c(colors, collapse = "|") color_match
以選取出包含一種顏色的句子，再從中提取出顏色：
has_color <- str_subset(sentences, color_match) #篩選出含有顏色的句子 matches <- str_extract(has_color, color_match) #提取顏色 head(matches) #展示
str_extract() 只提取第一個匹配。我們可以先選取出具有多於一種匹配的所有句子：
more <- sentences[str_count(sentences, color_match) > 1] #篩選出不止一個顏色的句子 str_view_all(more, color_match) #提取句子中所有的顏色
str_extract(more, color_match)
要想得到所有匹配，可以使用 str_extract_all() 函數，它會返回一個列表：
str_extract_all(more, color_match)
1.4.5 分組匹配
先進行一種啟發式實驗，找出跟在 a 或 the 后面的所有單詞。
noun <- "(a|the) ([^ ]+)" has_noun <- sentences %>% str_subset(noun) %>% head(10) has_noun %>% str_extract(noun)
str_extract() 函數可以給出完整匹配；str_match() 函數則可以給出每個獨立分組。str_match() 返回的是一個矩陣，其中一列是完整匹配，后面的列是每個分組的匹配：
has_noun %>% str_match(noun)
如果數據是保存在 tibble 中的，那么使用 tidyr::extract() 會更容易，要求為每個分組提供一個名稱，以作為新列放在 tibble 中：
tibble(sentence = sentences) %>%
tidyr::extract(
sentence, c("article", "noun"), "(a|the) ([^ ]+)",
remove = FALSE
)
1.4.7 替換匹配內容
str_replace() 和 str_replace_all() 函數可以使用新字符串替換匹配內容。最簡單的應用是使用固定字符串替換匹配內容：
x <- c("apple", "pear", "banana")
str_replace(x, "[aeiou]", "-") # 使用符號 - 替換元音字符 aeiou
str_replace_all(x, "[aeiou]", "-")
通過提供一個命名向量，使用 str_replace_all() 函數可以同時執行多個替換：
x <- c("1 house", "2 cars", "3 people")
str_replace_all(x, c("1" = "one", "2" = "two", "3" = "three"))
可以使用回溯引用來插入匹配中的分組：（沒看懂）
sentences %>%
str_replace("([^ ]+) ([^ ]+) ([^ ]+)", "\\1 \\3 \\2") %>%
head(5)
1.4.9 拆分
str_split() 函數可以將字符串拆分為多個片段。例如，我們可以將句子拆分成單詞：
sentences %>%
head(5) %>%
str_split(" ")
因為字符向量的每個分量會包含不同數量的片段，所以 str_split() 會返回一個列表。如果你拆分的是長度為 1 的向量，那么只要簡單地提取列表的第一個元素即可：
"a|b|c|d" %>%
str_split("\\|") %>%
.[[1]]
可以通過設置 simplify = TRUE 返回一個矩陣：
sentences %>%
head(5) %>%
str_split(" ", simplify = TRUE)
可以設定拆分片段的最大數量：
fields <- c("Name: Hadley", "Country: NZ", "Age: 35")
fields %>% str_split(": ", n = 2, simplify = TRUE)
可以通過字母、行、句子和單詞邊界（boundary() 函數）來拆分字符串：
x <- "This is a sentence. This is another sentence."
str_view_all(x, boundary("word"))
str_split(x, " ")[[1]] #顯示第1個列表內容[[1]]
str_split(x, boundary("word"))[[1]]
1.4.11 定位匹配內容
str_locate() 和 str_locate_all() 函數可以給出每個匹配的開始位置和結束位置。以使用 str_locate() 函數找出匹配的模式，然后使用 str_sub() 函數來提取或修改匹配的內容。
1.5 其他類型的模式
當使用一個字符串作為模式時，R 會自動調用 regex() 函數對其進行包裝：
# 正常調用：
str_view(fruit, "nana")
# 上面形式是以下形式的簡寫
str_view(fruit, regex("nana"))
可以使用 regex() 函數的其他參數來控制具體的匹配方式：
（1）ignore_case = TRUE 既可以匹配大寫字母，也可以匹配小寫字母，它總是使用當前的區
域設置：
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 $ 從每行的開頭和末尾開始匹配，而不是從完整字符串
的開頭和末尾開始匹配：
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 可以讓你在復雜的正則表達式中加入注釋和空白字符，以便更易理解。匹配時會忽略空格和 # 后面的內容。如果想要匹配一個空格，你需要對其進行轉義："\\ "：
phone <- regex("
\\(? # 可選的開括號
(\\d{3}) # 地區編碼
[)- ]? # 可選的閉括號、短划線或空格
(\\d{3}) # 另外3個數字
[ -]? # 可選的空格或短划線
(\\d{3}) # 另外3個數字
", comments = TRUE)
str_match("514-791-8141", phone)
（4）dotall = TRUE 可以使得 . 匹配包括 \n 在內的所有字符。
fixed() 函數可以按照字符串的字節形式進行精確匹配，它會忽略正則表達式中的所有特殊字符，並在非常低的層次上進行操作。
library(microbenchmark)
microbenchmark::microbenchmark(
fixed = str_detect(sentences, fixed("the")),
regex = str_detect(sentences, "the"),
times = 20）
coll() 函數使用標准排序規則來比較字符串，這在進行不區分大小寫的匹配時是非常有效的。缺點是速度比較慢。 # 這意味着在進行不區分大小寫的匹配時，還是需要知道不同規則之間的區別：
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 參數，以確定使用哪種規則來比較字符
)
fixed() 和 regex() 函數中都有 ignore_case 參數，但都無法選擇區域設置，它們總是使用默認的區域設置。查看默認區域設置：
stringi::stri_locale_info()
1.6 正則表達式的其他應用
apropos() 函數可以在全局環境空間中搜索所有可用對象。當不能確切想起函數名稱時，這個函數特別有用：
apropos("replace")
dir() 函數可以列出一個目錄下的所有文件。dir() 函數的 patten 參數可以是一個正則
表達式，此時它只返回與這個模式相匹配的文件名。例如返回當前目錄中的所有 R Markdown 文件：
head(dir(pattern = "\\.Rmd$"))
1.7 stringi
stringr 建立於 stringi 的基礎之上，與 stringr 不同，stringi 的設計思想是盡量全面，幾乎包含了我們可以用到的所有函數：stringi 中有 234 個函數，而stringr 中只有 42 個。