R语言处理字符数据

古城微笑少年丶 2023-07-25 12:49 8阅读 0赞

**处理字符数据，需要掌握一些正则表达式的知识，及一些相应的函数。**

--------------------

# 正则表达式 #

正则表达式，又称规则表达式。（英语：Regular Expression，在代码中常简写为regex、regexp或RE），计算机科学的一个概念。正则表达式通常被用来检索、替换那些符合某个模式(规则)的文本。

*  正则表达式是用于描述或匹配一个文本集合的表达式。
 *  所有英文字母、数字和很多可现实的字符本身就是正则表达式，用于匹配它们自己。
 *  一些特殊的字符在正则表达式中不再用来描述它自身，它们在正则表达式中已经被“转义”，这些字符称为“元字符”。

##### 常用元字符 #####

<table> 
 <thead> 
  <tr> 
   <th>符号</th> 
   <th>描述</th> 
  </tr> 
 </thead> 
 <tbody> 
  <tr> 
   <td>.</td> 
   <td>除了换行以外的任意字符</td> 
  </tr> 
  <tr> 
   <td>\ \</td> 
   <td>转义字符，如果要匹配括号就要写成“\ \ ( \ \ )”</td> 
  </tr> 
  <tr> 
   <td>I</td> 
   <td>表示可选项，即 I 前后的表达式任选一个</td> 
  </tr> 
  <tr> 
   <td>^</td> 
   <td>若放在表达式开始处，表示匹配文本开始位置；<br>若放在方括号内开始处，表示非方括号内的任一字符</td> 
  </tr> 
  <tr> 
   <td>$</td> 
   <td>放在句尾，表示一行字符串的结束</td> 
  </tr> 
  <tr> 
   <td>( )</td> 
   <td>提取匹配的字符串，( \ \ s * )表示连续空格的字符串</td> 
  </tr> 
  <tr> 
   <td>[ ]</td> 
   <td>选择方括号中的任意一个（如 [a-z] 表示任意一个小写字符）</td> 
  </tr> 
  <tr> 
   <td>{ }</td> 
   <td>前面的字符或表达式的重复次数。<br>如 {5, 12} 表示重复的次数不能少于5次，不能多于12次，否则都不匹配</td> 
  </tr> 
  <tr> 
   <td>*</td> 
   <td>前面的字符或表达式重复零次或更多次</td> 
  </tr> 
  <tr> 
   <td>+</td> 
   <td>前面的字符或表达式重复一次或更多次</td> 
  </tr> 
  <tr> 
   <td>?</td> 
   <td>前面的字符或表达式重复零次或一次</td> 
  </tr> 
 </tbody> 
</table>

正则表达式的符号**运算顺序**：

*  圆括号括起来的表达式最优先
 *  然后是表示重复次数的操作（即 \* + \{\} ）
 *  接下来是连接运算（其实就是几个字符放在一起，如 abc）
 *  最后是表示可选项的运算（|）

--------------------

# 字符串处理函数 #

可以从文本型数据中抽取信息，或者为打印输出和生成报告重设文本的格式

常用字符串处理函数：

<table> 
 <thead> 
  <tr> 
   <th>函数</th> 
   <th>描述</th> 
  </tr> 
 </thead> 
 <tbody> 
  <tr> 
   <td>nchar(x)</td> 
   <td>计算x中的字符数量</td> 
  </tr> 
  <tr> 
   <td>substr(x, start, stop)</td> 
   <td>提取或替换一个字符向量中的子串</td> 
  </tr> 
  <tr> 
   <td>grep(pattern, x, ignore.case = FALSE, perl = FALSE, value = FALSE, fixed = FALSE, useBytes = FALSE, invert = FALSE)</td> 
   <td>字符串查询，返回结果为匹配项的下标</td> 
  </tr> 
  <tr> 
   <td>sub(pattern, replacement, x, ignore.case = FALSE, fixed = FALSE)</td> 
   <td>对第一个满足条件的匹配做替换，原字符串并没有改变，要改变原变量只能通过再赋值的方式</td> 
  </tr> 
  <tr> 
   <td>gsub(pattern, replacement, x, ignore.case = FALSE, perl = FALSE, fixed = FALSE, useBytes = FALSE))</td> 
   <td>把所有满足条件的匹配都做替换，原字符串并没有改变，要改变原变量只能通过再赋值的方式</td> 
  </tr> 
  <tr> 
   <td>strsplit(x, split, fixed = FALSE, perl = FALSE, useBytes = FALSE)</td> 
   <td>在split处分割字符向量x中的元素</td> 
  </tr> 
  <tr> 
   <td>paste(…, sep = " ", collapse = NULL)</td> 
   <td>连接字符串，分隔符为sep</td> 
  </tr> 
 </tbody> 
</table>

其他使用函数：

<table> 
 <thead> 
  <tr> 
   <th align="left">函数</th> 
   <th align="left">描述</th> 
   <th align="left">代码示例</th> 
   <th align="left">代码运行结果</th> 
  </tr> 
 </thead> 
 <tbody> 
  <tr> 
   <td align="left">length(x)</td> 
   <td align="left">返回对象x的长度值</td> 
   <td align="left"><code>length(c(2,5,6,9))</code></td> 
   <td align="left">4</td> 
  </tr> 
  <tr> 
   <td align="left">seq(from,to,by)</td> 
   <td align="left">根据参数的要求生成一个序列</td> 
   <td align="left"><code>seq(1,10,2)</code></td> 
   <td align="left">1,3,5,7,9</td> 
  </tr> 
  <tr> 
   <td align="left">rep(x,n)</td> 
   <td align="left">将x重复n次</td> 
   <td align="left"><code>rep(1:3,2)</code></td> 
   <td align="left">1,2,3,1,2,3</td> 
  </tr> 
  <tr> 
   <td align="left">cut(x,n)</td> 
   <td align="left">将连续型变量x分割为有着n个水平的因子，使用选项ordered_result = TRUE以创建一个有序型因子</td> 
   <td align="left"></td> 
   <td align="left"></td> 
  </tr> 
  <tr> 
   <td align="left">pretty(x,n)</td> 
   <td align="left">创建美观的分割点。通过选取n+1个等间距的取整值，将一个连续型变量x分割为n个区间。绘图中常用</td> 
   <td align="left"></td> 
   <td align="left"></td> 
  </tr> 
  <tr> 
   <td align="left">cat(…,file=“myfile”,append=FALSE)</td> 
   <td align="left">连接…中的对象，并将其输出到屏幕上或文件中（如果声明了一个的话）</td> 
   <td align="left"><code>firstname &lt;- c("Jane")</code><br><code>cat("hello",firstname,"\n")</code></td> 
   <td align="left"></td> 
  </tr> 
 </tbody> 
</table>