干货收藏 | R语言之正则表达式

Posted 2021-05-02 R语言中文社区

    正则表达式表通常被用来检索、替换那些符合某个模式(规则)的文本。在我看来，正则表达式的主要用途有两种：①查找特定的信息②查找并编辑特定的信息，也就是我们经常用的替换。。比如我们要在Word，记事本等里面使用快捷键Ctrl+F，进行查找一个特定的字符，或者替换一个字符，这就使用了正则表达式。

         正则表达式的功能非常强大，尤其是在文本数据进行处理中显得更加突出。R中的grep、grepl、sub、gsub、regexpr、gregexpr等函数都使用正则表达式的规则进行匹配。这几个函数原型如下：

grep(pattern, x, ignore.case = FALSE, perl = FALSE, value = FALSE,
     fixed = FALSE, useBytes = FALSE, invert = FALSE)

grepl(pattern, x, ignore.case = FALSE, perl = FALSE,
      fixed = FALSE, useBytes = FALSE)

sub(pattern, replacement, x, ignore.case = FALSE, perl = FALSE,
    fixed = FALSE, useBytes = FALSE)

gsub(pattern, replacement, x, ignore.case = FALSE, perl = FALSE,
     fixed = FALSE, useBytes = FALSE)

regexpr(pattern, text, ignore.case = FALSE, perl = FALSE,
        fixed = FALSE, useBytes = FALSE)

gregexpr(pattern, text, ignore.case = FALSE, perl = FALSE,
         fixed = FALSE, useBytes = FALSE)

regexec(pattern, text, ignore.case = FALSE, perl = FALSE,
        fixed = FALSE, useBytes = FALSE)

   这里是对参数进行一个解释说明。

参数	说明
pattern	正则表达式
x, text	字符向量或字符对象，在R 3.0.0后版本中，最大支持超过2^31个的字符元素。
ignore.case	默认FALSE，表示区分大小写，TRUE时表示不区分大小写。
perl	是否使用Perl兼容的正则表达式
value	默认为FALSE，当查找到时返回1，否则返回0;当为TRUE查找到时返回整个x，text，否则返回0。
fixed	如果为TRUE，pattern是要匹配的字符串。覆盖所有冲突的参数
useBytes	默认为false，当为true时，则是逐字节逐字节匹配而不是逐字符逐字符匹配。
invert	如果TRUE返回不匹配的元素的索引或值。
replacement	如果查找到之后，进行替换，若没有找到，则返回x，text值

接下来我们对这几个函数谈谈他们的不同点。

函数	作用
grep（）	查找，存在参数value，返回结果是匹配项的下标
grepl（）	查找，返回值为true
sub（）	只对查找到的第一个内容进行替换。（同下）
gsub（）	对查找到的所有内容进行替换，返回替换后的text；否则直接返回text
regexpr（）	返回一个与给出第一个匹配的起始位置的文本长度相同的整数向量，如果没有则返回-1， “match.length”给出匹配文本长度的整数向量（或-1）。匹配位置和长度为字符。	除了regexec，目前不支持Perl风格（）的正则表达式。 。useBytes的主要效果是避免关于多字节语言环境中的无效输入和伪匹配的错误/警告，但对于regexpr，它会更改输出的解释。它禁止具有标记编码的输入的转换，并且如果发现任何输入被标记为“字节”，则被强制参见编码）。 无关匹配对多字节语言环境中的字节没有多大意义，如果useBytes = TRUE，您应该希望它只适用于ASCII字符。 regexpr和gregexpr与perl = TRUE允许Python风格的命名捕获，但不是长矢量输入。 当前语言环境中的无效输入最多警告5次。 对于非ASCII字符，与PERL = TRUE的无符号匹配取决于使用“Unicode属性支持”编译的PCRE库：外部库可能不是。 如果你正在做很多的正则表达式匹配，包括非常长的字符串，通常将正则表达式引擎设为PCRE，这将将比默认正则表达式引擎快，而fixed = TRUE更快（特别是当每个模式只匹配几次时）。
gregexpr（）	返回一个与文本长度相同的列表，每个元素的格式与regexpr的返回值相同，除了给出了每个（不相交）匹配的起始位置。
regexec（）	返回与文本相同长度的列表，如果没有匹配，则返回-1，或者具有匹配的起始位置的整数序列和对应于模式的括号子表达式的所有子串，其中属性“match .length“给出匹配长度的向量（或没有匹配的-1）。

正则表达式转义字符
空白元字符	[\b]	回退（并删除）一个字符（backspace）
	\f	换页符
	\n	换行符
	\r	回车符
	\t	制表符（tab）
	\v	垂直制表符
注：\r\n是windows所用的文本行结束符，Unix和Linux只是用一个换行符来结束一个文本行
匹配数字与非数字	\d	任何一个数字字符，等价于[0-9]
	\D	任何一个非数字字符，等价于^[0-9]
匹配字母\非字母与数字	\w	任何一个字母数字字符（大小写均可以）或下划线字符（等价于[a-zA-Z0-9]）
	\W	任何一个非字母数字或下划线字符（等价于[^a-zA-Z0-9]）
匹配空白字符	\s	任何一个空白字符（等价于[\f\n\r\t\v]）
	\S	任何一个非空白字符（等价于[^\f\n\r\t\v]）
POSIX字符类	[:alnum:]	任何一个字母或数字（等价于[a-ZA-Z0-9]）
	[:alpha:]	任何一个字母（等价于[a-ZA-Z]）
	[:blank:]	空格或制表符（等价于[\t ]）    注:t后面有一个空格
	[:cntrl:]	ASCII控制字符（ASCII  0到31，再加上ASCII 127）
	[:digit:]	任何一个数字（等价于[0-9])
	[:graph:]	和[:print:]一样，但不包括空格
	[:lower:]	任何一个小写字母（等价于[a-z])
	[:print:]	任何一个可打印字符
	[:punct:]	既不属于[:alnum:]，也不属于[:cntrl:]的任何一个字符
	[:space:]	任何一个空格字符，包括空格（等价于[f\n\r\t\v  ] 注:v后面有一个空格
	[:upper:]	任何一个大写字母（等价于[A-Z])
	[:xdigit:]	任何一个十六进制数字(等价于[a-fA-F0-9])
其他	.	可以匹配任何单个的字符字母数字甚至.字符本身。同一个正则表达式允许使用多个.字符。但不能匹配换行
		转义字符，如果要匹配就要写成“\\(\\)”
	|	表示可选项，即|前后的表达式任选一个
	^	取非匹配
	$	放在句尾，表示一行字符串的结束
	()	提取匹配的字符串，(\\s*)表示连续空格的字符串
	[]	选择方括号中的任意一个(如[0-2]和[012]完全等价，[Rr]负责匹配字母R和r)
	{}	前面的字符或表达式的重复次数。如{5,12}表示重复的次数不能小于5，不能多于12，否则都不匹配
	*	匹配零个或任意多个字符或字符集合，也可以没有匹配
	+	匹配一个或多个字符，至少匹配一次
	?	匹配零个或一个字符

现在来举几个例子。

首先使用[]中括号的功能，来查找一下看有没有do组合的单词。

text<-c("Don't","aim","for","success","if","you","want","it","just","do","what","you","love",
        "and","believe","in","and","it","will","come","naturally")

#查找含有DO组合的单词
grep("[Dd]o",text)#不区分大小写
grep("[D]o",text)#D要大写
grep("[d]o",text)#D小写

运行结果如下：

> text<-c("Don't","aim","for","success","if","you","want","it","just","do","what",
         "you","love","and","believe","in","and","it","will","come","naturally")
> 
> #查找含有DO组合的单词
> grep("[Dd]o",text)#不区分大小写
[1]  1 10
> grep("[D]o",text)#D要大写
[1] 1
> grep("[d]o",text)#D小写
[1] 10 

邮箱匹配：

#邮箱匹配：
text2<-c("[e-mail] is my email address.")
grepl("[0-9.*]+@[a-z.*].[a-z.*]",text2)

结果如下

> text2<-c("[e-mail] is my email address.")
> grepl("[0-9.*]+@[a-z.*].[a-z.*]",text2)
[1] TRUE

说明可以查找到了。

Blog：https://ask.hellobi.com/blog/learn_R

微信回复关键字即可学习

回复 R              R语言快速入门免费视频 
回复 统计          统计方法及其在R中的实现
回复 用户画像   民生银行客户画像搭建与应用 
回复 大数据      大数据系列免费视频教程
回复 可视化      利用R语言做数据可视化
回复 数据挖掘   数据挖掘算法原理解释与应用
回复 机器学习   R&Python机器学习入门