R中的正则表达式及字符处理函数总结
Posted R语言中文社区
tags:
篇首语:本文由小常识网(cha138.com)小编为大家整理,主要介绍了R中的正则表达式及字符处理函数总结相关的知识,希望对你有一定的参考价值。
我们日常生活中接触到的大部分数据都是以文本的形式存在。如何高效地处理文本数据,将看似杂乱无章的数据整理成可以进行统计分析的规则数据,是『数据玩家』必备的一项重要技能。
今天,我们要学习的『正则表达式』和『字符处理函数』将助你成为点石成金的数据魔法师。
正则表达式
在进行爬虫任务的时候,部分情况下,我们可以使用Xpath来提取我们需要的网页信息。但是,当我们需要的数据以一定的规则隐藏在一段文字中时,就不可避免地要使用到正则表达式。
正则表达式是对字符串类型数据进行匹配判断,提取等操作的一套逻辑公式。
处理字符串类型数据方面,高效的工具有Perl和Python。如果我们只是偶尔接触文本处理任务,则学习Perl无疑成本太高;如果常用Python,则可以利用成熟的正则表达式模块:re库;如果常用R,则使用Hadley大神开发的stringr包则已经能够游刃有余。
下面,我们先简要介绍重要并通用的正则表达式规则。接着,总结一下stringr包中重要的字符处理函数。
如果有时间,我将后续补充一个综合的使用案例。
元字符
正则表达式中,有12个字符被保留用作特殊用途。他们分别是:
[ ] \ ^ $ . | ? * + ( )它们的作用如下:
[ ]:括号内的任意字符将被匹配;
\:具有两个作用:
1.对元字符进行转义
2.一些以\开头的特殊序列表达了一些字符串组
^:匹配字符串的开始.将^置于character class的首位表达的意思是取反义。如[^5]表示匹配除了”5”以外的任何字符。
$:匹配字符串的结束。但将它置于character class内则消除了它的特殊含义。如[akm$]将匹配’a’,’k’,’m’或者’$’.
.:匹配除换行符以外的任意字符。
|:或者
?:前面的字符(组)最多被匹配一次
*:前面的字符(组)将被匹配零次或多次
+:前面的字符(组)将被匹配一次或多次
( ):表示一个字符组,括号内的字符串将作为一个整体被匹配。
重复
代码 | 含义说明 |
---|---|
? | 重复零次或一次 |
* | 重复零次或多次 |
+ | 重复一次或多次 |
{n} | 重复n次 |
{n,} | 重复n次或更多次 |
{n,m} | 重复n次到m次 |
转义
如果我们想查找元字符本身,如”?”和”*“,我们需要提前告诉编译系统,取消这些字符的特殊含义。这个时候,就需要用到转义字符\,即使用\?和\*.当然,如果我们要找的是\,则使用\\进行匹配。
注:R中的转义字符则是双斜杠:\\
R中预定义的字符组
代码 | 含义说明 |
---|---|
[:digit:] | 数字:0-9 |
[:lower:] | 小写字母:a-z |
[:upper:] | 大写字母:A-Z |
[:alpha:] | 字母:a-z及A-Z |
[:alnum:] | 所有字母及数字 |
[:punct:] | 标点符号,如. , ;等 |
[:graph:] | Graphical characters,即[:alnum:]和[:punct:] |
[:blank:] | 空字符,即:Space和Tab |
[:space:] | Space,Tab,newline,及其他space characters |
[:print:] | 可打印的字符,即:[:alnum:],[:punct:]和[:space:] |
代表字符组的特殊符号
代码 | 含义说明 |
---|---|
\w | 字符串,等价于[:alnum:] |
\W | 非字符串,等价于[^[:alnum:]] |
\s | 空格字符,等价于[:blank:] |
\S | 非空格字符,等价于[^[:blank:]] |
\d | 数字,等价于[:digit:] |
\D | 非数字,等价于[^[:digit:]] |
\b | Word edge(单词开头或结束的位置) |
\B | No Word edge(非单词开头或结束的位置) |
\< | Word beginning(单词开头的位置) |
\> | Word end(单词结束的位置) |
stringr包中的重要函数
函数 | 功能说明 | R Base中对应函数 |
---|---|---|
使用正则表达式的函数 | ||
str_extract() | 提取首个匹配模式的字符 | regmatches() |
str_extract_all() | 提取所有匹配模式的字符 | regmatches() |
str_locate() | 返回首个匹配模式的字符的位置 | regexpr() |
str_locate_all() | 返回所有匹配模式的字符的位置 | gregexpr() |
str_replace() | 替换首个匹配模式 | sub() |
str_replace_all() | 替换所有匹配模式 | gsub() |
str_split() | 按照模式分割字符串 | strsplit() |
str_split_fixed() | 按照模式将字符串分割成指定个数 | - |
str_detect() | 检测字符是否存在某些指定模式 | grepl() |
str_count() | 返回指定模式出现的次数 | - |
其他重要函数 | ||
str_sub() | 提取指定位置的字符 | regmatches() |
str_dup() | 丢弃指定位置的字符 | - |
str_length() | 返回字符的长度 | nchar() |
str_pad() | 填补字符 | - |
str_trim() | 丢弃填充,如去掉字符前后的空格 | - |
str_c() | 连接字符 | paste(),paste0() |
可见,stringr包中的字符处理函数更丰富和完整(其实还有更多函数),并且更容易记忆。或许速度也会更快。
其他相关的重要函数
windows下处理字符串类型数据最头疼的无疑是编码问题了。这里介绍几个编码转换相关的函数。
函数 | 功能说明 |
---|---|
iconv() | 转换编码格式 |
Encoding() | 查看编码格式;或者指定编码格式 |
tau::is.locale() | tests if the components of a vector of character are in the encoding of the current locale |
tau::is.ascii() | |
tau::is.utf8() | tests if the components of a vector of character are true UTF-8 strings |
推荐阅读
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
以上是关于R中的正则表达式及字符处理函数总结的主要内容,如果未能解决你的问题,请参考以下文章