数据科学系列:数据处理(7)--字符串函数基于R(三)

这一部分，将R语言stringr包中的使用正则表达式的字符串函数简单介绍一下，会用到正则表达式的相关内容，有关正则表达式的知识可以回顾R&Python Data Science系列:数据处理(6)--字符串函数基于R(二)

4.3 使用正则表达式的字符串函数

4.3.1 str_count()函数

str_count()函数用于检验字符串中出现特征的次数，返回一个数字向量。

str_count(string, pattern = "")

参数

pattern：匹配的字符

text <- c('Flash', 'Flaash', 'Flaaash', 'Flaaaasha')

检验字符串向量中"a"出现的

str_count(text, "a")

字符串"Flash"中有一个"a"，所以返回数字向量1，"Flaaaasha"中有5个"a"，所以返回数字向量5。

检验字符串向量text中以F开始，h结尾的字符个数：

str_count(text, "^F\\w*h$")

4.3.2 str_split()和str_split_fixed()函数

str_split()函数在匹配的位置拆分字符串，返回列表或者矩阵形式的字符串，默认情况下返回列表形式数据，当参数simplify = TRUE等价于str_split_fixed()函数;

str_split_fixed()函数在匹配的位置将字符串拆分固定的块数，返回矩阵形式的字符串；

str_split(string, pattern, n = Inf, simplify = FALSE)
str_split_fixed(string, pattern, n)

参数

pattern：匹配的字符

n : 拆分的个数

simplify：逻辑值，如果是FALSE，返回列表形式字符串向量，如果是TRUE，返回矩阵形式字符串。

text2 <- c("flashandFlashandFLASH",
"workingnotesAndWorkingnotesandWORKINGNOTESAndWorkingNotes")

使用分隔符and或者And拆分字符串，参数simplify = FALSE(默认为FALSE)，并用class()函数查看返回数据类型：

str_split(text2, "(a|A)nd")
class(str_split(text2, "(a|A)nd"))

使用分隔符and或者And拆分字符串，参数simplify = TRUE，并用class()函数查看返回数据类型，使用dim()函数查看返回矩阵的结构：

str_split(text2, "(a|A)nd", simplify = TRUE)
class(str_split(text2, "(a|A)nd", simplify = TRUE))
dim(str_split(text2, "(a|A)nd", simplify = TRUE))

参数simplify = TRUE时候，返回矩阵形式数据，且长度不够的位置为空字符串。

使用参数n强制在匹配的位置拆分指定的几块：

str_split(text2, "(a|A)nd", simplify = TRUE, n = 3)

当指定参数n的个数的时候，从左到右拆分，即使第n个字符串中仍可以拆分，不做拆分。

str_split_fixed(text2, "(a|A)nd", n = 3)

4.3.3 str_substr()与str_which()函数

str_substr()函数返回符合匹配的字符串，返回结果是字符串；

str_which()函数返回符合匹配的字符串的位置，返回结果是数字向量，一般用在字符串向量中。

str_subset(string, pattern)
str_which(string, pattern)

参数

pattren：匹配的字符

匹配以a开始：

text3 <- c("flash", "aflash", "flasha"
str_subset(text3, "^a")
str_which(text3, "^a")

匹配以a结束：

str_subset(text3, "a$")
str_which(text3, "a$")

4.3.4 str_detect()函数

str_detect()函数，用于检验字符串中是否包含匹配的特征，返回结果为逻辑值TRUE和FALSE。

str_detect(string, pattern)

参数

pattern : 匹配的字符

检测字符串向量text3中字符串是否以a开头：

str_detect(text3, "^a")

4.3.5 str_match()与str_match_all()函数

str_match()函数从字符串中返回匹配的字符，没有匹配的字符返回NA，返回结果为矩阵形式。

str_match_all()函数从字符串中返回匹配的字符，没有匹配的字符返回NA，返回结果为列表形式。

str_match(string, pattern)
str_match_all(string, pattern)

参数

pattern：匹配的字符

text4 <- c("flash", "FLASH", "flash007")

str_match(text4, "a")
class(str_match(text4, "a"))

str_match_all(text4, "a")
class(str_match_all(text4, "a"))

4.3.6 str_replace()与str_replace_all()函数

str_replace()函数替换字符串中第一个匹配到的特征，返回字符向量；

str_replace_all()函数替换字符串中所有匹配到的特征，返回字符向量；

str_replace(string, pattern, replacement)
str_replace_all(string, pattern, replacement)

参数

pattern：匹配的字符

replacement：用于替换的字符

text5 <- c("flasha", "FLASHa", "flash007")

将字符串中的a或者A替换成F：

str_replace(text5, "[aA]", "F")
str_replace_all(text5, "[aA]", "F")

4.3.7 str_locate()与str_locate_all()函数

str_locate()函数用于返回第一个匹配到的特征的位置，返回结果为起始和结束为列名的矩阵

str_locate_all()函数返回所有匹配的特征位置，返回结果为列表

str_locate(string, pattern)
str_locate_all(string, pattern)

参数

pattern：匹配的字符

text5 <- c("flasha", "FLASHa", "flash007")

str_locate(text5, "a")

str_locate_all(text5, "a")

4.3.8 str_extract()与str_extract_all()函数

str_extract()函数用于提取匹配特征的第一个字符串，返回结果为字符向量；

str_extract_all()函数用于提取匹配特征的所有字符串，默认返回结果为字符向量的列表

str_extract(string, pattern)
str_extract_all(string, pattern, simplify = FALSE)

参数

pattren：匹配的字符

simplify：逻辑值，如果是FALSE，返回列表形式字符向量的列表，如果是TRUE，返回字符向量的矩阵。

text5 <- c("flasha", "FLASHa", "flash007")

str_extract(text5, "[a-zA-Z]+")
str_extract_all(text5, "[a-zA-Z]+")
str_extract_all(text5, "[a-zA-Z]+", simplify = TRUE)

4.3.9 小结

从非正则表达式字符串函数、R语言中的正则表达式以及使用正则表达式的字符串函数介绍了R语言中stringr包中的字符串函数。下面将介绍数据处理--字符串函数基于Python的部分。