R语言学习系列11-字符串处理

11.字符串处理一、字符数统计与简单转化nchar(x)——统计x中字符个数；注意与length(x)的区别：向量x的长度。tolower(x)——将x转化为小写；toupper(x)——将x转化为大写；chartr(old,new,x)——将x中的old字符替换为new字符；x-c(HelloWorld!,We...)length(x)[1]2nchar(x)[1]136tolower(x)[1]helloworld!we...toupper(x)[1]HELLOWORLD!WE...chartr(l,L,x)[1]HeLLoWorLd!We...二、字符串连接函数paste()，基本格式为：paste(…,seq=,collapse=NULL)其中，seq表示分隔符（默认为空格）；collapse若不指定值，则返回值是连接后的字符型向量，若指定值，则连接后的字符型向量会再用collapse值连接成一个字符串。paste(AB,1:5,sep=)[1]AB1AB2AB3AB4AB5x-list(a=1st,b=2nd,c=3rd)y-list(d=1,e=2)paste(x,y,sep=-)[1]1st-12nd-23rd-1paste(x,y,sep=-,collapse=;)[1]1st-1;2nd-2;3rd-1paste(x,collapse=,)#将x的各分量用,连接为一个字符串[1]1st,2nd,3rd注意：连接时，短向量将被循环使用。三、字符串拆分函数strsplit()，基本格式为：strsplit(x,split,fixed=FALSE,useBytes=FALSE,...)其中，x为字符串向量，每个元素将被分别拆分，拆分结果为一个列表；split为指定拆分位置的子串或正则表达式；fixed=FALSE(默认)，则split作为正则表达式fixed=TRUE，则split作为精确匹配的文本字符串useBytes设置是否逐个字节进行匹配，默认为FALSE，即按字符而不是字节进行匹配。data-c(2016年1月1日,2016年2月1日)list1-strsplit(data,年)#以“年”为分隔符拆分list1[[1]][1]20161月1日[[2]][1]20162月1日list1[[1]][1]#提取列表中的元素[1]2016text-HelloAdam!\nHelloAva!strsplit(text,)#按空格拆分[[1]][1]HelloAdam!\nHelloAva!strsplit(text,\\s)#按空白符拆分，\n也是空白符[[1]][1]HelloAdam!HelloAva!strsplit(text,)#特殊情况，拆分成一个个字符[[1]][1]HelloAdam!\nHel[16]loAva!四、字符串查询1.函数grep()与grepl()基本格式为：grep(pattern,x,ignore.case=FALSE,value=FALSE,fixed=FALSE,invert=FALSE,...)grepl(pattern,x,ignore.case=FALSE,fixed=FALSE,...)注意：函数grepl()中没有参数value和invert.其中，pattern为要查询的子串或正则表达式；x为字符串向量；ignore.case设置是否对大小写敏感，默认FALSE为大小写敏感，TRUE为大小写不敏感；value=FALSE（默认）函数返回匹配项下标，若为TRUE则函数返回匹配项；invert默认为FALSE，若为TRUE则函数返回不匹配项的下标。两个函数都是用于字符串的查询，且查询效果是一致的，区别是grep()返回匹配项的下标，而grepl()则是返回一个逻辑向量，TRUE表示匹配，FALSE表示不匹配。2.其它函数regexpr()——返回匹配项的起始位置及匹配项的长度；gregexpr()——同regecec()，返回一个列表，结果包括匹配项的起始位置与匹配项的长度注：三个函数的参数同grepl()txt-c(Whatever,is,worth,doing,is,worth,doing,well)grep(e.*r|wo,txt,fixed=FALSE)[1]136grep(e.*r|wo,txt,fixed=FALSE,value=TRUE)[1]Whateverworthworthgrepl(e.*r|wo,txt,fixed=FALSE)[1]TRUEFALSETRUEFALSEFALSETRUEFALSEFALSEregexpr(e.*r|wo,txt,fixed=FALSE)#结果竖着看，-1未匹配[1]5-11-1-11-1-1attr(,match.length)[1]4-12-1-12-1-1attr(,useBytes)[1]TRUEgregexpr(e.*r|wo,txt,fixed=FALSE)[[1]][1]5attr(,match.length)[1]4attr(,useBytes)[1]TRUE[[2]][1]-1attr(,match.length)[1]-1attr(,useBytes)[1]TRUE[[3]][1]1attr(,match.length)[1]2attr(,useBytes)[1]TRUE[[4]][1]-1attr(,match.length)[1]-1attr(,useBytes)[1]TRUE[[5]][1]-1attr(,match.length)[1]-1attr(,useBytes)[1]TRUE[[6]][1]1attr(,match.length)[1]2attr(,useBytes)[1]TRUE[[7]][1]-1attr(,match.length)[1]-1attr(,useBytes)[1]TRUE[[8]][1]-1attr(,match.length)[1]-1attr(,useBytes)[1]TRUE五、字符串替换函数sub()和gsub()，基本格式为：sub(pattern,replacement,x,ignore.case=FALSE,fixed=FALSE,...)gsub(pattern,replacement,x,ignore.case=FALSE,fixed=FALSE,...)用来在x中搜索pattern，并用replacement将其替换。两个函数的区别是，sub()只对第一个满足条件的匹配作替换，若x是向量，则对每个元素第一个满足条件的匹配作替换；gsub()将把所有满足条件的匹配都做替换。sub([tr],k,txt)#将各元素第一个t或r替换为k[1]Whakeveriswokthdoingiswokthdoingwellgsub([tr],k,txt)#将所有t或r替换为k[1]Whakevekiswokkhdoingiswokkhdoingwell六、字符串提取函数substr()和substring()，基本格式为：substr(x,start,stop)-valuesubstring(x,start,stop)-value其中，x为字符串或字符串向量（对每个元素都分别操作）；start为起始位置；stop为结束位置；value为字符向量，若没有“-value”，函数只提取相应位置内的子串，若有“-value”，则用它的值做相应替换。substr(abcdef,2,4)[1]bcdsubstring(abcdef,1:6,1:6)[1]abcdefsubstr(abcdef,1:6,1:6)[1]atxt-c(HelloWorld!,Weloveyou)substr(txt,2,4)[1]ellelsubstr(txt,2,4)-c(..,++)txt[1]H..loWorld!W++loveyou注意：两个函数的区别，多对参数时，substr()只操作第1对参数，而substring()则都会操作。用可以很方便地拆分DNA序列，例如DNA-GCAGCGCATATGbases-c(A,T,G,C)substring(DNA,seq(1,10,by=3),seq(3,12,by=3))[1]GCAGCGCATATG七、其它函数函数strtrim(x,width)将字符串x“修剪”为长度为width.函数match(x,table)返回x在table中第一次匹配的位置。主要参考文献：[1]张良均，谢佳标，杨坦，肖刚.R语言与数据挖掘.机械工业出版社，2016.[2]“在路上”博客，《R语言：文本（字符串）处理与正则表达式》：