【R包】灵活的字符串处理包：stringr

在文本或非结构数据处理中往往需要正则表达式的强大功能，需要字符串的处理，下文就讲讲这几天梳理的stringr包中的函数。该包仍然由伟大的Hadley做贡献。

word()，从句子中提取词组（适用于英语环境下的使用）

word(string, start = 1L, end = start, sep = fixed(" "))

string：需要提取的字符串对象

start：整数向量，指定从第几个单词开始提取

end：整数向量，指定取到第几个单词

sep：指定单词之间的分隔符，默认为空格

string <- 'I like using R'

word(string, 1, -1) #取出所有的句子

word(string, 1) #提取第一个单词

word(string, -1) #提取最后一个单词

word(string, 1, 1:4) #提取最后一个单词

str_wrap()，将段落划分为华丽的格式，可设置每行的宽度等。

str_wrap(string, width = 80, indent = 0, exdent = 0)

string：需要被划分的字符串

width：设定每行的宽度

indent：设定每个段落第一行的缩进格式，默认没有缩进

exdent：设定每个段落第一行之后所有行的缩进格式，默认没有缩进

string <- str_c(readLines(con = file.choose(), encoding = 'UTF-8'),collapse = 'n')

str_wrap(string) #默认以80个字节作为行宽

cat(str_wrap(string), sep = 'n') #以换行符连接每个固定长度的句子

cat(str_wrap(string, indent = 4)) #段落第一行空4个字符

str_trim()，剔除字符串多余的首末空格

str_trim(string, side = c("both", "left", "right"))

string：需要处理的字符串

side：指定剔除空格的位置，both表示剔除首尾两端空格，left表示剔除字符串首部空格，right表示剔除字符串末尾空格

string <- '   Why is me? I have worded hardly!    '

str_trim(string, side = 'left')

str_trim(string, side = 'right')

str_trim(string, side = 'both')

str_to_upper()，str_to_lower()，str_to_title()，字符串转换

str_to_upper(string, locale = "")

将字符串统统转换为大写

str_to_lower(string, locale = "")

将字符串统统转换为小写

str_to_title(string, locale = "")

将字符串换为标题格式

string <- 'Simple, consistent wrappers for common string '

str_to_upper(string)

str_to_lower(string)

str_to_title(string)

str_subset()，根据正则表达式匹配字符串中的值

str_subset(string, pattern)

string，需要处理的字符向量

pattern，需要匹配的字符模式，默认模式可以是正则表达式

该函数与word()函数的区别在于前者提取字符串的子串，后者提取的是单词,而且str_sub也可以其替换的作用。

string <- "My name is LiuShunxiang, I'm 28."

str_sub(string, 1, 1)

word(string, 1, 1)

str_sub(string, 1, 4)

word(string, 1, 4)

str_sub(string, -1)

word(string, -1)

str_sub(string, -3,-2) <- 26

string

str_split()，字符串分割函数

str_split(string, pattern, n = Inf)

str_split_fixed(string, pattern, n)

string：被分割的字符串向量

pattern：分割符，可以是正则表达式也可以是固定的字符

n：指定返回分割的个数，需要注意的是，其使用转移法分割字符串

str_split与str_split_fixed的区别在于前者返回列表格式，后者返回矩阵格式

string <- 'myxyznamexyzisxyzliuxyzshunxyzxiang!'

str_split(string, 'xyz')

str_split(string, 'xyz', n = 5) #最后一组就不会被分割

str_split_fixed(string, 'xyz', 6)

str_order()，对字符向量排序

str_order(x, decreasing = FALSE, na_last = TRUE, locale = "", …)

str_sort(x, decreasing = FALSE, na_last = TRUE, locale = "", …)

x：需要排序的字符向量

decreasing：排序方式，默认为升序

na_last：是否将缺失值置于末尾，默认为TRUE

str_order和str_sort的区别在于前者返回排序后的索引（下标），后者返回排序后的实际值

str_order(letters, locale = "en")

str_sort(letters, locale = "en")

str_replace()，字符串替换函数

str_replace(string, pattern, replacement)

str_replace_all(string, pattern, replacement)

str_replace_na(string, replacement = "NA")

string：需要处理的字符向量

pattern：指定匹配模式，

replacement：指定新的字符串用于替换匹配的模式

str_replace与str_replace_all的区别在于前者只替换一次匹配的对象，而后者可以替换所有匹配的对象

string <-'1989.07.17'

str_replace(string, '\.', '-')

str_replace_all(string, '\.', '-')

str_pad()，字符填充函数

str_pad(string, width, side = c("left", "right", "both"), pad = " ")

string：需要被填充的字符串

width：指定被填充后的字符长度

side：指定填充的方向，默认向左填充

pad：指定填充的字符，默认用空格填充

string <- 'LiuShunxiang'

str_pad(string,10) #指定的长度少于string长度时，将只返回原string

str_pad(string,20)

str_pad(string,20,side = 'both',pad = '*')

str_match(),str_match_all()，提取匹配的字符串

str_match(string, pattern)

str_match_all(string, pattern)

string：需要处理的字符串

pattern：指定匹配的模式，一般指定正则表达式

str_match()和str_match_all()区别在于前者只提取一次满足条件的匹配对象，而后者可以提取所有匹配对象

string <- c('139-1234-5678','133,1267,4589','134 6543 7890','178 2345 1111 or 133 7890 1234')

str_match(string,'[1][3-9]{2}[- ,][0-9]{4}[- ,][0-9]{4}')

str_match_all(string,'[1][3-9]{2}[- ,][0-9]{4}[- ,][0-9]{4}')

str_extract(),str_extract_all，提取匹配的字符串，功能与str_match(),str_match_all()函数类似

str_extract(string, pattern)

str_extract_all(string, pattern, simplify = FALSE)

string：需要处理的字符串

pattern：指定匹配的模式，一般指定正则表达式

simplify：默认返回值为列表，如果指定为TRUE，则返回矩阵格式，这样有助于将结果写入二维表中

string <- c('139-1234-5678','133,1267,4589','134 6543 7890','178 2345 1111 or 133 7890 1234')

str_extract(string,'[1][3-9]{2}[- ,][0-9]{4}[- ,][0-9]{4}')

str_extract_all(string,'[1][3-9]{2}[- ,][0-9]{4}[- ,][0-9]{4}')

str_extract_all(string,'[1][3-9]{2}[- ,][0-9]{4}[- ,][0-9]{4}',simplify=TRUE)

str_locate(),str_locate_all()，字符定位函数，返回匹配对象的首末位置

str_locate(string, pattern)

str_locate_all(string, pattern)

string：需要处理的字符串

pattern：需要匹配的对象，一般为正则表达式

str_locate()和str_locate_all()的区别在于前者只匹配首次，而后者可以匹配所有可能的值

string <- c('liushunxiang1989','zhangsan1234')

str_locate(string,'s')

str_locate(string,'n')

str_locate_all(string,'n')

一般将定位函数与str_sub函数搭配使用。

str_length()，字符长度函数，该函数类似于nchar()函数，但前者将NA返回为NA，而nchar则返回2

str_length(string)

string：需要计算长度的字符串对象

string <- c('LiuShunxiang','1989-07-17',NA)

str_length(string)

nchar(string)

str_c()，将多个字符串连接为单个字符串

str_c(…, sep = "", collapse = NULL)

…：一个或多个字符向量

sep：字符串之间的连接符，功能类似于paste()函数

collapse：如果是向量之间的连接，collapse的作用与sep一样，只不过此时sep无效

str_c(c(1989,07,17), sep = '-')  #使用sep

str_c(c(1989,07,17), collapse = '-')  #使用collapse

str_c('x',c(1:10),':')

str_dup()，重复字符串

str_dup(string, times)

string：需要重复处理的字符串

times：指定重复的次数

fruit <- c("apple", "pear", "banana")

str_dup(fruit, 2)

str_dup(fruit, 1:3)

str_c("ba", str_dup("na", 0:5))

str_detect()，检测函数，用于检测字符串中是否存在某种匹配模式

str_detect(string, pattern)

string：检测的字符串对象

pattern：检测模式，可以是正则表达式

string <- c('LiuShunxiang','Zhangsan','Philips1990')

str_detect(string,'^L')

str_detect(string,'\d')

str_detect(string,'[a-zA-Z0-9]')

str_count()，计数能够匹配上的字符个数

str_count(string, pattern = "")

string：需要处理的字符串对象

pattern：指定匹配的模式，默认为""，计算每个字符串的长度

string <- c('LiuShunxiang','Zhangsan','Philips1990')

str_count(string,'i')

str_count(string,'\d')

str_count(string)

下期将给大家介绍数据挖掘包caret。

刘顺祥，数据分析师，热爱数据分析与挖掘工作，擅长使用Ｒ语言，目前自学Python语言。

严禁修改，可以转载，请注明出自数据人网和原文链接：http://shujuren.org/index.php/Article/update/aid/204

更多精彩内容，请点击阅读原文。

数据人网（http://shujuren.org)，数据人学习、交流和分享的平台，专注于从数据中学习，努力发觉数据之洞见，积极利用数据之价值。为“让人懂数据、用数据”之使命坚持做点事情。大家可以来投稿，做分享和传播，可以给反馈。您有什么想法，请反馈给我们，谢谢。数据人网，我们共建和共享。

数据人网平台构建了丰富的数据人圈，简要说明：

数据人圈是数据人网平台的综合微信群，主要讨论数据动态、数据应用和方法论的话题；

数据人圈R语言是数据人网平台的R语言微信群，讨论R语言及在数据应用的话题。

数据人圈Python语言是数据人网平台的Python语言微信群，讨论Python语言及在数据应用的话题。

诚邀伙伴们加入，小编微信：luqin360，请注明要加入那个圈子。

数据人网平台的QQ社群，欢迎伙伴们按需加入。

     

数据人网官方公众号：数据科学自媒体，分享数据科学干货。