首先我们要装一个字符串处理的包，stringr包，tidyverse包是我们的字符串例子包。

install.packages(tidyverse)
install.packages(stringr)
library(tidyverse)
library(stringr)

字符串基础知识

我们可以使用单引号或双引号创建字符串。建议总是使用"，除非你想创建一个包含多个的字符串"，那就用'。

string1 <- "A string"
string2 <- 'print"hello world"'

如果你忘记关闭引号，你会看到+，延续字符：

> "A string without a closing quote
+ 
+ 
+ STUCK

如果发生这种情况，请按Esc或者CTRL+C键并重试！

要在字符串中包含文字单引号或双引号，可以使用\来进行转义：

string1 <- "\"" # or '"'
string2 <- '\'' # or "'"

这意味着如果你想要包含一个文字反斜杠，你需要再加一个："\\"。

请注意，字符串的打印表示形式与字符串本身不同，因为打印的表示形式显示了转义符。要查看字符串的原始内容，请使用writeLines()：

x <- c("\"", "\\")
x
#> [1] "\"" "\\"
writeLines(x)
#> "
#> \

还有一些其他特殊字符。最常见的是"\n"换行符和"\t"制表符，但我们可以通过以下方式来查看完整列表"：?'"'或?"'"。有时也会看到字符串"\u00b5"，这是一种编写适用于所有平台的非英文字符的方法：

x <- "\u00b5"
x
#> [1] "µ"

多个字符串通常存储在字符向量中，可以使用c()以下方法创建：

c("one", "two", "three")
#> [1] "one"   "two"   "three"

字符串长度

我们将使用stringr中的函数。它们有很直观的名字，一切都始于str_。例如，str_length()告诉字符串中的字符个数：

str_length(c("a", "R for data science", NA))
#> [1]  1 18 NA

组合字符串

要组合两个或更多字符串，可使用str_c()：

str_c("x", "y")
#> [1] "xy"
str_c("x", "y", "z")
#> [1] "xyz"

使用sep参数来控制它们中间的间隔字符：

str_c("x", "y", sep = ", ")
#> [1] "x, y"

要将字符串向量折叠为单个字符串，请使用collapse：

str_c(c("x", "y", "z"), collapse = ", ")
#> [1] "x, y, z"

如上所示，str_c()是矢量化的，它会自动将较短的矢量再循环到与最长矢量相同的长度：

str_c("prefix-", c("a", "b", "c"), "-suffix")
#> [1] "prefix-a-suffix" "prefix-b-suffix" "prefix-c-suffix"

长度为0的对象将被静默删除。这与if以下内容特别有用：

name <- "Hadley"
time_of_day <- "morning"
birthday <- FALSE

str_c(
  "Good ", time_of_day, " ", name,
  if (birthday) " and HAPPY BIRTHDAY",
  "."
)
#> [1] "Good morning Hadley."

子集字符串

可以使用提取字符串的一部分str_sub()。以及提供子字符串（包含）位置的字符串，在这个函数的后面两位写截取的起始和终止位置：

x <- c("Apple", "Banana", "Pear")
str_sub(x, 1, 3)
#> [1] "App" "Ban" "Pea"
# negative numbers count backwards from end
str_sub(x, -3, -1)
#> [1] "ple" "ana" "ear"

语言环境

str_to_lower()将文字改为小写。你也可以使用str_to_upper()或str_to_title()。但是，更改案例比最初出现时更复杂，因为不同的语言对于更改案例有不同的规则。可以通过指定区域设置来选择要使用的规则集：

str_to_upper(c("i", "ı"))
#> [1] "I" "I"
str_to_upper(c("i", "ı"), locale = "tr")
#> [1] "İ" "I"

语言环境被指定为ISO 639语言代码，它是两个或三个字母的缩写。如果还不知道语言代码，维基百科有一个很好的列表。如果将区域设置留空，它将使用操作系统提供的当前区域设置。

受语言环境影响的另一个重要操作是排序。基本R order()和sort()函数使用当前语言环境对字符串进行排序，我们也可以使用str_sort()并str_order()采用其他locale参数：

x <- c("apple", "eggplant", "banana")

str_sort(x, locale = "en")  # English
#> [1] "apple"    "banana"   "eggplant"

str_sort(x, locale = "haw") # Hawaiian
#> [1] "apple"    "eggplant" "banana"

使用正则表达式匹配字符

正则表达是一种非常简洁的语言，允许我们概述字符串中的特殊模式。

要学习正则表达式，我们将使用str_view()和str_view_all()。这些函数采用字符向量和正则表达式，并显示它们如何匹配。我们将从非常简单的正则表达式开始，然后逐渐变得越来越复杂。一旦掌握了模式匹配，我们将学习如何将这些功能应用于各种字符串函数。

 

基本匹配

最简单的模式匹配：

x <- c("apple", "banana", "pear")
str_view(x, "an")

下一步是.，匹配任何字符（换行符除外）：

str_view(x, ".a.")

何那我们如何去匹配真正的.符号呢？

可以用转义字符“\\."

dot <- "\\."

str_view(c("abc", "a.c", "bef"), "a\\.c")

如果\在正则表达式中用作转义字符，那么如何匹配文字\？

那就用四个"\\\\"

x <- "a\\b"
writeLines(x)
#> a\b

str_view(x, "\\\\")

开头结尾（锚定）

默认情况下，正则表达式将匹配字符串的任何部分。锚定正则表达式以使其与字符串的开头或结尾匹配通常很有用。可以使用：

  • ^ 匹配字符串的开头。
  • $ 匹配字符串的结尾。
x <- c("apple", "banana", "pear")
str_view(x, "^a")

 

str_view(x, "a$")

字符类和替代方案

有许多特殊模式匹配多个字符。你已经看过.，它与换行符之外的任何角色都匹配。还有其他四个有用的工具：

  • \d：匹配任何数字。
  • \s：匹配任何空格（例如空格，制表符，换行符）。
  • [abc]：匹配a，b或c。
  • [^abc]：匹配除a，b或c之外的任何内容。

请记住，要创建包含\d或的正则表达式\s，需要转义\字符串，因此我们将键入"\\d"或"\\s"。

str_view(c('abc','a1234f'),'a[\\d]*f')

您可以使用|符号选择一个或多个替代模式。例如，abc|d..f将匹配'“abc”'或"deaf"。与数学表达式一样，如果优先级变得令人困惑，请使用括号清楚地表达想要的内容：

str_view(c("grey", "gray"), "gr(e|a)y")

重复

下一步的涉及模式匹配的次数：

  • ?：0或1次
  • +：1次或更多
  • *：0次或更多
x <- "1888 is the longest year in Roman numerals: MDCCCLXXXVIII"
str_view(x, "CC?")

 

str_view(x, "CC+")

还可以精确指定匹配数：

  • {n}：n次
  • {n,}：n或更多
  • {,m}：最多m
  • {n,m}：在n和m之间
str_view(x, "C{2}")

str_view(x, "C{2,}")

检测匹配

要确定字符向量是否与模式匹配，请使用str_detect()。它返回一个与输入长度相同的逻辑向量：

x <- c("apple", "banana", "pear")
str_detect(x, "e")
#> [1]  TRUE FALSE  TRUE

提取匹配

要提取匹配的实际文本，请使用str_extract()。

length(sentences)
#> [1] 720
head(sentences)
#> [1] "The birch canoe slid on the smooth planks." 
#> [2] "Glue the sheet to the dark blue background."
#> [3] "It's easy to tell the depth of a well."     
#> [4] "These days a chicken leg is a rare dish."   
#> [5] "Rice is often served in round bowls."       
#> [6] "The juice of lemons makes fine punch."

我们想找到包含颜色的所有句子。我们首先创建一个颜色名称向量，然后将其转换为单个正则表达式：

colours <- c("red", "orange", "yellow", "green", "blue", "purple")
colour_match <- str_c(colours, collapse = "|")
colour_match
#> [1] "red|orange|yellow|green|blue|purple"

 现在我们可以选择包含颜色的句子，然后提取颜色以确定它是哪一个：

has_colour <- str_subset(sentences, colour_match)
matches <- str_extract(has_colour, colour_match)
head(matches)
#> [1] "blue" "blue" "red"  "red"  "red"  "blue"

替换

str_replace()并str_replace_all()允许您用新字符串替换匹配项。最简单的用法是用固定的字符串替换模式：

x <- c("apple", "pear", "banana")
str_replace(x, "[aeiou]", "-")
#> [1] "-pple"  "p-ar"   "b-nana"
str_replace_all(x, "[aeiou]", "-")
#> [1] "-ppl-"  "p--r"   "b-n-n-"

str_replace_all()可以让我们通过提供一个向量执行多个替换：

x <- c("1 house", "2 cars", "3 people")
str_replace_all(x, c("1" = "one", "2" = "two", "3" = "three"))
#> [1] "one house"    "two cars"     "three people"

分割

使用str_split()最多将一个字符串分解成碎片：

x<-"234235fgq35423dvfwrfgw3534fgerg"
str_split(x,'[\\d]+')
[[1]]
[1] ""         "fgq"      "dvfwrfgw" "fgerg"

转换

使用is.character()可以检验数据类型是否是字符串：

is.character('hello')
[1] TRUE
is.character(1)      
[1] FALSE

使用as.numeric()可以将字符串转为数字进行运算：

a<-'123456'
as.numeric(a)+10000
[1] 133456