前言

昨天我们介绍 R 数据处理的时候，对字符串的操作都是用自带的函数。

虽然 R 的字符串并不是它的强项，看起来也不是那么的优雅，但是字符串在数据处理和清洗过程中还是扮演者较为重要的角色。

所以，今天我就讲下 R 字符串处理的第三方包 —— stringr

stringr 包提供了一组内聚函数，尽可能使字符串的操作简单化。

stringr 中主要包括四个函数族：

1.字符操作：这些函数允许操作字符串向量中每个字符串的字符2.提供添加、删除和操作空白字符的工具3.提供对语境敏感的操作4.模式匹配函数。总共包含 4 中模式，其中最常用的就是正则表达式安装

# install install.packages("stringr")# 从 GitHub 中安装最新的开发版本:# 需要用到 devtools 包，如果没有这个包，需要安装一下if (!require("devtools"))   install.packages("devtools")devtools::install_github("tidyverse/stringr")

使用导入

library(stringr)

stringr 中的所有函数都以 str_ 开头，并接受一个字符串向量作为第一个参数

1.单字符串操作str_length: 字符串长度

str_length(string)

参数：

string: 字符串或字符串向量

示例：

> s <- c("why", "video", "cross", "extra", "deal", "authority")> str_length(s)# [1] 3 5 5 5 4 9> str_length("love")# [1] 4> str_length(c("love", NA))# [1]  4 NA

str_sub: 提取和修改字符串

str_sub(string, start = 1L, end = -1L)

参数：

string: 字符串或字符串向量start: 开始位置end: 结束位置

示例：

x <- c("abcdef", "ghifjk")# The 3rd letter> str_sub(x, 3, 3)# [1] "c" "i"# The 2nd to 2nd-to-last character> str_sub(x, 2, -2)# [1] "bcde" "hifj"

修改字符串

> str_sub(x, 3, 3) <- "X"> x# [1] "abXdef" "ghXfjk"

str_dup: 复制字符串

str_dup(string, times)

参数：

string: 字符串或字符串向量times: 复制数量

示例：

> str_dup(x, c(2, 3))# [1] "abcdefabcdef"       "ghifjkghifjkghifjk"> str_dup(x, c(2))# [1] "abcdefabcdef" "ghifjkghifjk"> str_dup(x, 2)# [1] "abcdefabcdef" "ghifjkghifjk"

str_c: 字符串拼接

str_c(..., sep = "", collapse = NULL)

参数：

...: 多参数的输入sep: 把多个字符串参数拼接为一个字符串的连接符号。collapse: 把多个向量参数拼接为一个字符串的连接符号。

> x <- c("why", "video", "cross", "extra", "deal", "authority")> str_c(x, collapse = ", ")# [1] "why, video, cross, extra, deal, authority"> str_c("why", "not", "my", sep = "-")[1] "why-not-my"

2.空白字符1.str_pad: 补充字符串的长度

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

参数：

string:width: 字符串填充后的长度side: 填充方向left: 左边填充right: 右边填充both: 两边都填充pad: 用于填充的字符

> x <- c("abc", "defghi")> str_pad(x, 10) # 默认在左边# [1] "       abc" "    defghi"> str_pad(x, 10, "both")# [1] "   abc    " "  defghi  "> str_pad(x, 10, pad = "=")# [1] "====abcdef" "====ghifjk"

如果你设置的字符串填充长度小于其本身，那么不会产生任何作用

str_pad(x, 4)#> [1] " abc"   "defghi"

2.str_trunc: 省略过长字符

str_trunc(string, width, side = c("right", "left", "center"), ellipsis = "...")

参数：

string: 字符串或字符串向量width: 最大字符串长度side：省略方式center: 中间省略left: 左边省略right: 右边省略

示例

> x <- "This string is moderately long"> rbind(+     str_trunc(x, 20, "right"),+     str_trunc(x, 20, "left"),+     str_trunc(x, 20, "center")+ )#      [,1]                  # [1,] "This string is mo..."# [2,] "...s moderately long"# [3,] "This stri...ely long"

3. str_trim: 去掉字符串的空格和TAB

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

参数：

string: 字符串或字符串向量side：过滤方式both: 两边都过滤left: 左边过滤right: 右边过滤

示例

x <- c("Short", "This is a long string")

x <- c("  a   ", "b   ",  "   c")str_trim(x)#> [1] "a" "b" "c"str_trim(x, "left")#> [1] "a   " "b   " "c"

4. str_wrap: 控制字符串输出格式

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

参数：

string: 字符串或字符串向量。width: 设置一行所占的宽度。indent: 段落首行的缩进值exdent: 段落非首行的缩进值

示例

jabberwocky <- str_c(  "`Twas brillig, and the slithy toves ",  "did gyre and gimble in the wabe: ",  "All mimsy were the borogoves, ",  "and the mome raths outgrabe. ")cat(str_wrap(jabberwocky, width = 40))# `Twas brillig, and the slithy toves did# gyre and gimble in the wabe: All mimsy# were the borogoves, and the mome raths# outgrabe.

3.语境1.大小写转换

str_to_upper(string, locale = "")str_to_lower(string, locale = "")str_to_title(string, locale = "")

参数：

string: 字符串。locale: 按哪种语言习惯

示例

x <- "I like horses."str_to_upper(x)#> [1] "I LIKE HORSES."str_to_title(x)#> [1] "I Like Horses."str_to_lower(x)#> [1] "i like horses."# Turkish has two sorts of i: with and without the dotstr_to_lower(x, "tr")#> [1] "ı like horses."

2. 排序

# 对值排序str_sort(x, decreasing = FALSE, na_last = TRUE, locale = "", ...)str_order(x, decreasing = FALSE, na_last = TRUE, locale = "", ...)

参数：

x: 字符串或字符串向量。decreasing: 排序方向。na_last: NA 放置的位置：TRUE 放到最后，FALSE 放到最前，NA 过滤处理locale: 按哪种语言习惯排序

> x <- c("y", "i", "k")> str_order(x)# [1] 2 3 1> str_sort(x)# [1] "i" "k" "y"# In Lithuanian, y comes between i and k> str_sort(x, locale = "lt")# [1] "i" "y" "k"

3. 编码方式

str_conv(string, encoding)

参数：

string: 字符串或字符串向量。encoding: 编码名。

示例：

# 把中文字符字节化> x <- charToRaw('你好')> x[1] c4 e3 ba c3# 默认 win 系统字符集为 GBK，GB2312 为 GBK 字集，转码正常> str_conv(x, "GBK")[1] "你好"> str_conv(x, "GB2312")[1] "你好"# 在 mac 系统下> x <- charToRaw('你好')> str_conv(x, "GBK")[1] "浣犲ソ"> str_conv(x, "GB2312")# [1] "浣\032濂\032"# Warning messages:# 1: In stri_conv(string, encoding, "UTF-8") :# mac > str_conv(x, "UTF-8")# [1] "你好"

4.模式匹配

每个模式匹配函数的前两个参数都相同

string：字符串或字符串向量pattern：匹配模式

字符串和匹配模式

strings <- c(  "apple",   "219 733 8965",   "329-293-8753",   "Work: 579-499-7527; Home: 543.355.3679")phone <- "([2-9][0-9]{2})[- .]([0-9]{3})[- .]([0-9]{4})"

1.匹配字符串的字符

str_detect(string, pattern)

示例：

# 匹配字符串的字符> str_detect(strings, phone)# [1] FALSE  TRUE  TRUE  TRUE

2. 模式在字符串中的位置

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

示例：

> (loc <- str_locate(strings, phone))#>      start end#> [1,]    NA  NA#> [2,]     1  12#> [3,]     1  12#> [4,]     7  18> str_locate_all(strings, phone)#> [[1]]#>      start end#> #> [[2]]#>      start end#> [1,]     1  12#> #> [[3]]#>      start end#> [1,]     1  12#> #> [[4]]#>      start end#> [1,]     7  18#> [2,]    27  38

3. 从字符串中提取匹配模式

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

示例：

> val <- c("a1", 467, "ab2")# 返回匹配的数字> str_extract(val, "\\d")# [1] "1" "4" "2"> str_extract_all(val, "\\d")# [[1]]# [1] "1"# [[2]]# [1] "4" "6" "7"# [[3]]# [1] "2"# 返回匹配的字符> str_extract(val, "[a-z]+")# [1] "a" NA     "ab"> str_extract_all(val, "\\w+")# [[1]]# [1] "a1"# [[2]]# [1] "467"# [[3]]# [1] "ab2"

4. 从字符串中提取匹配组

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

示例

> str_match(strings, phone)#>      [,1]           [,2]  [,3]  [,4]  #> [1,] NA             NA    NA    NA    #> [2,] "219 733 8965" "219" "733" "8965"#> [3,] "329-293-8753" "329" "293" "8753"#> [4,] "579-499-7527" "579" "499" "7527"> str_match_all(strings, phone)#> [[1]]#>      [,1] [,2] [,3] [,4]#> #> [[2]]#>      [,1]           [,2]  [,3]  [,4]  #> [1,] "219 733 8965" "219" "733" "8965"#> #> [[3]]#>      [,1]           [,2]  [,3]  [,4]  #> [1,] "329-293-8753" "329" "293" "8753"#> #> [[4]]#>      [,1]           [,2]  [,3]  [,4]  #> [1,] "579-499-7527" "579" "499" "7527"#> [2,] "543.355.3679" "543" "355" "3679"

5. 替换匹配的字符串

str_replace(string, pattern, replacement)str_replace_all(string, pattern, replacement)str_replace_na(string, replacement = "NA")

replacement 为替字符串

示例：

# 替换第一个匹配> str_replace(strings, phone, "XXX-XXX-XXXX")#> [1] "apple"                                 #> [2] "XXX-XXX-XXXX"                          #> [3] "XXX-XXX-XXXX"                          #> [4] "Work: XXX-XXX-XXXX; Home: 543.355.3679"# 替换所有匹配> str_replace_all(strings, phone, "XXX-XXX-XXXX")#> [1] "apple"                                 #> [2] "XXX-XXX-XXXX"                          #> [3] "XXX-XXX-XXXX"                          #> [4] "Work: XXX-XXX-XXXX; Home: XXX-XXX-XXXX"> str_replace_na(c(NA, "abc", "def"))# [1] "NA"  "abc" "def"

6. 字符串分割

str_split(string, pattern, n = Inf)  # 返回 liststr_split_fixed(string, pattern, n)  # 返回 matrix

n 为分割次数

示例：

str_split("a-b-c", "-")#> [[1]]#> [1] "a" "b" "c"str_split_fixed("a-b-c", "-", n = 2)#>      [,1] [,2] #> [1,] "a"  "b-c"

7. 字符串计数

str_count(string, pattern = "")

示例：

> str_count(strings, phone)# [1] 0 1 1 2

8. 返回的匹配字符串

str_subset(string, pattern)

示例：

> str_subset(strings, phone)# [1] "219 733 8965"                          # [2] "329-293-8753"                          # [3] "Work: 579-499-7527; Home: 543.355.3679"

9. 提取单词

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

string: 字符串，字符串向量。start: 开始位置。end: 结束位置。sep: 匹配字符。

示例

> val <- c("hello world", "this is my, girl")# 默认以空格分割，取第一个位置的字符串> word(val, 1)# [1] "hello" "this"> word(val, -1)# [1] "world" "girl"   > word(val, 2, -1)# [1] "world"       "is my, girl"  # 以,分割，取第一个位置的字符串 > val <- '111,222,333,444'> word(val, 1, sep = fixed(','))[1] "111"> word(val, 3, sep = fixed(','))[1] "333"

四种模式boundary: 匹配字符、行、句子或单词之间的边界

x <- "This is a sentence."str_split(x, boundary("word"))#> [[1]]#> [1] "This"     "is"       "a"        "sentence"str_count(x, boundary("word"))#> [1] 4str_extract_all(x, boundary("word"))#> [[1]]#> [1] "This"     "is"       "a"        "sentence"

coll: 定义字符串标准排序规则。

i <- c("I", "İ", "i", "ı")i#> [1] "I" "İ" "i" "ı"str_subset(i, coll("i", ignore_case = TRUE))#> [1] "I" "i"str_subset(i, coll("i", ignore_case = TRUE, locale = "tr"))#> [1] "İ" "i"

fixed: 定义用于匹配的字符，包括正则表达式中的转义符

> str_count(c("a.", ".", ".a.",NA), ".")[1]  2  1  3 NA# 用fixed匹配字符> str_count(c("a.", ".", ".a.",NA), fixed("."))[1]  1  1  2 NA

regex: 定义正则表达式，默认就是正则表达式

> val[1] "a1"  "467" "ab2"> str_extract(val, regex("\\w+"))[1] "a1"  "467" "ab2"