R语言基础教程——第9章：字符串操作

R通常被用来进行数值计算比较多，字符串处理相对较少，而且关于字符串的函数也不多，用得多的就是substr、strsplit、paste、regexpr这几个了。实际上R关于字符串处理的功能是非常强大的，因为它甚至可以直接使用Perl的正则表达式，这也是R的一个理念，作为语言就把向量计算做到极致，作为环境，就在各领域都集成最好的。R中有grep系列的函数，可以用最强大的方式处理字符串的所有问题

grep的全称是global search regular expression and print out the line，是Unix下一种强大的文本搜索工具，可以通过正则表达式搜索文本，并把匹配的行打印出来，包括grep、egrep和fgrep（egrep是扩展的grep，fgrep是快速的搜寻方式并没有真正利用正则表达式）。Linux下使用GNU版的grep，该套规范也被广泛地使用，R中的grep函数就是其中之一。

grep的核心就是正则表达式（Regular Expressions，通常缩写为regex），所谓正则表达式，就是用某种模式去匹配一类字符串的一个公式，很多文本编辑器或者程序语言都支持该方式进行字符串的操作，最开始是由上文介绍的Unix工具grep之类普及的，后来得到广泛应用。尤其是Perl语言中将正则表达式发挥到了极致。

　　R中的正则表达式非常专业，从grep系列函数的参数就可以看出，有个参数“extended”，默认为T，表示使用扩展grep，也就是egrep，如果选择为F就表示基础的grep，不过该种方式不被R推荐，即使使用了也会出现警告，实际上grep能做的egrep也都能做，而且还要简单不少。我刚开始在egrep中使用总是不能通过，后来发现其实egrep中更简单，很多时候直接写在[]内就行。还有一个参数“perl”，默认为F，如果选择T表示使用Perl的正则表达式规则，功能更加强大，不过如果没有专门学过Perl语言的话用egrep也就够了。另一个参数“fixed”虽然描述的不是同一个东西，但是也很相关，选择之后就会进行精确的匹配，不再使用正则表达式的规则，在效率上会快很多，我觉得这个可能就是fgrep。R的帮助文档中也明确说明了这三个参数实际上代表了四种模式，常规grep、扩展grep、Perl正则表达式、精确匹配，使用者可以根据具体的含义选择自己需要的，如果参数设置互有冲突，会自动忽略后面的参数，并会在Warning中明确指出。

　　grep系列函数其实包括grep、grepl、sub、gsub、regexpr、gregexpr，他们的参数很类似，在R中也是把帮助文档集成在了一起，查找任意一个都会得到一个统一的文档。里面对各个参数也是一起介绍的，除了刚才说的三个以外，第一个参数就是最重要的“pattern”，这是一个字符串，直接表示正则表达式，根据模式的不同注意规则就行，另外有个“x”表示要查找的向量，这也是R中的独特之处，不是查找文件，而是查找向量，该处也可以只输入一个字符串，就成了基础的字符串处理函数。对于grep函数，结果只有匹配或者不匹配，因此匹配时输出向量中该元素的下标，如果是单个字符就输出1，对于grepl，和grep其实一样，不过输出的是逻辑值，匹配就是T，不匹配就是F。参数“value”默认为F，输出的值就是刚才说的元素下标或者逻辑值，如果改成T，就会输出查找的字符串。还有一个参数“ignore.case”，默认是F，表示大小写敏感，可以改为T，表示大小写不敏感。参数“useBytes”默认是F，表示按字符查找，如果是T则表示按字节查找，对于中文字符影响还是很大的。参数“invert ”默认为F，表示正常的查找，如果为T则查找模式的补集。像sub和gsub这样的替换函数，还多一个参数“replacement”，用来表示替换的字符。

这些函数的参数都比较类似，但是输出各不一样，grep输出向量的下标，实际上就是找到与没找到，grepl返回的逻辑值更能说明问题。sub是一个很强大的替换函数，远胜过substr，正则表达式中可以设置非常灵活的规则，然后返回被替换后的字符串，如果正则表达式写得好，基本可以解决所有子字符串的问题。sub函数和gsub函数唯一的差别在于前者匹配第一次符合模式的字符串，后者匹配所有符合模式的字符串，也就是说在替换的时候前者只替换第一次符合的，后者替换所有符合的。regexpr和gregexpr被使用的似乎比较多，因为它们很像其他语言中的instr函数，可以查找到某些字符在字符串中出现的位置，不过我觉得用处并不是很大，因为通常情况下寻找某字符位置的目的就是为了做相关处理，而sub都能搞定。regexpr和gregexpr的关系和sub与gsub差不多，gregexpr操作向量时会返回列表。

　　以上就是grep系列函数的一些用法，根据例子可以很方便地使用，个人建议使用参数“pattern”和“x”就行（sub和gsub当然还有replacement），其他的都用默认的。在pattern中按照egrep的规则写正则表达式，基本上可以解决所有的字符串处理问题。只需要对正则表达式有简单的了解，就可以得到R中这些强大的功能。关于正则表达式的用法就在后文中分解了。

grep()函数

首先，grep函数可以像数据库查询一样对向量中的具有特定条件的元素进行查询！

其次，介绍几种R语言中的正则通配符：

（1）“^”匹配一个字符串的开始，比如sub("^a","",c("abcd","dcba"))，表示将开头为a的字符串。如果要将开头的一个字符串替换，简单地写成“^ab”就行。

（2）“$”匹配一个字符串的结尾，比如sub("a$","",c("abcd","dcba"))表示将以a结尾的字符串。

（3）"."表示除了换行符以外的任一字符，比如sub("a.c","",c("abcd","sdacd"))。

（4）“*”表示将其前的字符进行0个或多个的匹配，比如sub("a*b","",c("aabcd","dcaaaba"))。

（5）“?”匹配0或1个正好在它之前的那个字符

（6）“+”匹配1或多个正好在它之前的那个字符。

（7）“.*”可以匹配任意字符，比如sub("a.*e","",c("abcde","edcba"))。

（8）“|”表示逻辑的或，比如sub("ab|ba","",c("abcd","dcba"))，可以替换ab或者ba。

（9）“^”还可以表示逻辑的补集，需要写在“[]”中，比如sub("[^ab]","",c("abcd","dcba"))，由于sub只替换搜寻到的第一个，因此这个例子中用gsub效果更好。

（10）“[]”还可以用来匹配多个字符，如果不使用任何分隔符号，则搜寻这个集合，比如在sub("[ab]","",c("abcd","dcba"))中，和"a|b"效果一样。

（11）“[-]”的形式可以匹配一个范围，比如sub("[a-c]","",c("abcde","edcba"))匹配从a到c的字符，sub("[1-9]","",c("ab001","001ab"))匹配从1到9的数字。

　 最后需要提一下的是“贪婪”和“懒惰”的匹配规则。默认情况下是匹配尽可能多的字符，是为贪婪匹配，比如sub("a.*b","",c("aabab","eabbe"))，默认匹配最长的a开头b结尾的字串，也就是整个字符串。如果要进行懒惰匹配，也就是匹配最短的字串，只需要在后面加个“?”，比如sub("a.*?b","",c("aabab","eabbe"))，就会匹配最开始找到的最短的a开头b结尾的字串。

最后，举例说明：

> Num <- c(310,456,311,431,421,435,534,312,313,320,321,322,323,314,324,317,3231)
> ipn<-grep("^3",Num,value=T)##开头为3的数字##
> ipn
[1] "310"  "311"  "312"  "313"  "320"  "321"  "322"  "323"  "314" 
[10] "324"  "317"  "3231"
> ipn<-grep("^31",Num,value=T)##开头为31的数字#
> ipn
[1] "310" "311" "312" "313" "314" "317"
> ipn<-grep("4$",Num,value=T)##以4结尾的的数字#
> ipn
[1] "534" "314" "324"
> ipn<-grep("3.2",Num,value=T)##所有以3开头，以2结尾的数字##
> ipn
[1] "312" "322"
> ipn<-grep("*31",Num,value=T)##所有含‘31’的数字#
> ipn
[1] "310"  "311"  "431"  "312"  "313"  "314"  "317"  "3231"
> ipn<-grep("3*1",Num,value=T)##所有开头为3或者末位为1的数字##
> ipn
[1] "310"  "311"  "431"  "421"  "312"  "313"  "321"  "314"  "317" 
[10] "3231"
> ipn<-grep("?31",Num,value=T)##所有含‘31’的数字##
> ipn
[1] "310"  "311"  "431"  "312"  "313"  "314"  "317"  "3231"
> ipn<-grep("+31",Num,value=T)##所有含‘31’的数字##
> ipn
[1] "310"  "311"  "431"  "312"  "313"  "314"  "317"  "3231"
> ipn<-grep("3.*1",Num,value=T)##所有含‘3'和'1’的数字##
> ipn
[1] "310"  "311"  "431"  "312"  "313"  "321"  "314"  "317"  "3231"

> ipn<-grep("3|1",Num,value=T)##所有含‘3'或'1’的数字##
> ipn
[1] "310"  "311"  "431"  "421"  "435"  "534"  "312"  "313"  "320" 
[10] "321"  "322"  "323"  "314"  "324"  "317"  "3231"
> ipn<-grep("[1]",Num,value=T)##所有含‘1’的数字##
> ipn
[1] "310"  "311"  "431"  "421"  "312"  "313"  "321"  "314"  "317" 
[10] "3231"

nchar()函数

nchar()返回字符串的长度

> char = "BioInfoCloud"
> nchar(char)
[1] 12

paste()函数

paste()函数是将若干个字符拼接起来。

> char1 = "www"
> char2 = "bioinfocloud"
> char3 = "cn"
> website = paste(char1,char2,char3,sep = ".")
> website
[1] "www.bioinfocloud.cn"

sprintf()函数

sprintf()函数按一定格式把若干个组件组合成字符串。

> i = 4
> s = sprintf("The square of %d is %d",i,i^2)
> s
[1] "The square of 4 is 16"

substr()函数

substr(x，start，stop)函数获取子串。

> website
[1] "www.bioinfocloud.cn"
> substr(website,5,16)
[1] "bioinfocloud"

strsplit()函数

strsplit(x,split)函数按照split分割x。返回这些子串的列表。

> strsplit("www.bioinfocloud.cn",split = "o")
[[1]]
[1] "www.bi" "inf"    "cl"     "ud.cn" 

regexpr()函数

regexpr(pattern,text)函数在字符串text中寻找pattern,返回与pattern匹配的第一个子串的起始位置。

> regexpr("bioinfocloud","www.bioinfocloud.cn")
[1] 5
attr(,"match.length")
[1] 12
attr(,"index.type")
[1] "chars"
attr(,"useBytes")
[1] TRUE

gregexpr()函数

gregexpr(pattern,text)函数的功能与regexpr()一样。不过它会寻找与pattern匹配的所有子串的起始位置。

> gregexpr("o","www.bioinfocloud.cn")
[[1]]
[1]  7 11 14
attr(,"match.length")
[1] 1 1 1
attr(,"index.type")
[1] "chars"
attr(,"useBytes")
[1] TRUE