R语言进阶之2：文本（字符串）处理与正则表达式

R语言处理文本的能力虽然不强，但适当用用还是可以大幅提高工作效率的，而且有些文本操作还不得不用。高效处理文本少不了正则表达式（regular expression），虽然R在这方面先天不高效，但它处理字符串的绝大多数函数都使用正则表达式。

0、正则表达式简介：

正则表达式不是R的专属内容，所以用0编号，这里也只简单介绍，更详细的内容请查阅其他文章。

正则表达式是用于描述/匹配一个文本集合的表达式。

1.  所有英文字母、数字和很多可显示的字符本身就是正则表达式，用于匹配它们自己。比如 'a' 就是匹配字母 'a' 的正则表达式

2.  一些特殊的字符在正则表达式中不在用来描述它自身，它们在正则表达式中已经被“转义”，这些字符称为“元字符”。perl类型的正则表达式中被转义的字符有：. \ | ( ) [ ] { } ^ $ * + ?。被转义的字符已经有特殊的意义，如点号 . 表示任意字符；方括号表示选择方括号中的任意一个（如[a-z] 表示任意一个小写字符）；^ 放在表达式开始出表示匹配文本开始位置，放在方括号内开始处表示非方括号内的任一字符；大括号表示前面的字符或表达式的重复次数；| 表示可选项，即 | 前后的表达式任选一个。

3.  如果要在正则表达式中表示元字符本身，比如我就要在文本中查找问号‘?’， 那么就要使用引用符号（或称换码符号），一般是反斜杠 '\'。需要注意的是，在R语言中得用两个反斜杠即 ‘\\’，如要匹配括号就要写成 ’\\(\\)‘

4.  不同语言或应用程序（事实上很多规则都通用）定义了一些特殊的元字符用于表示某类字符，如 \d 表示数字0-9， \D 表示非数字，\s 表示空白字符（包括空格、制表符、换行符等），\S 表示非空白字符，\w 表示字（字母和数字），\W 表示非字，\< 和 \> 分别表示以空白字符开始和结束的文本。

5.  正则表达式符号运算顺序：圆括号括起来的表达式***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），***是表示可选项的运算（|）。所以 'foot|bar' 可以匹配’foot‘或者’bar‘，但是 'foot|ba{2}r'匹配的是’foot‘或者’baar‘。

一、字符数统计和字符翻译

nchar这个函数简单，统计向量中每个元素的字符个数，注意这个函数和length函数的差别：nchar是向量元素的字符个数，而length是向量长度（向量元素的个数）。其他没什么需要说的。

> x <- c("Hellow", "World", "!") 
> nchar(x) 
[1] 6 5 1 
> length(''); nchar('') 
[1] 1 
[1] 0 

另外三个函数用法也很简单：

> DNA <- "AtGCtttACC" 
> tolower(DNA) 
[1] "atgctttacc" 
> toupper(DNA) 
[1] "ATGCTTTACC" 
> chartr("Tt", "Uu", DNA) 
[1] "AuGCuuuACC" 
> chartr("Tt", "UU", DNA) 
[1] "AUGCUUUACC" 

二、字符串连接

paste应该是R中最常用字符串函数了，也是R字符串处理函数里面非常纯的不使用正则表达式的函数（因为用不着）。它相当于其他语言的strjoin，但是功能更强大。它把向量连成字串向量，其他类型的数据会转成向量，但不一定是你要的结果：

> paste("CK", 1:6, sep="") 
[1] "CK1" "CK2" "CK3" "CK4" "CK5" "CK6" 
> x <- list(a="aaa", b="bbb", c="ccc") 
> y <- list(d=1, e=2) 
> paste(x, y, sep="-")     #较短的向量被循环使用 
[1] "aaa-1" "bbb-2" "ccc-1" 
> z <- list(x,y) 
> paste("T", z, sep=":")   #这样的结果不知合不合用 
[1] "T:list(a = \"aaa\", b = \"bbb\", c = \"ccc\")" 
[2] "T:list(d = 1, e = 2)" 

短向量重复使用，列表数据只有一级列表能有好的表现，能不能用看自己需要。会得到什么样的结果是可以预知的，用as.character函数看吧，这又是一个字符串处理函数：

> as.character(x) 
[1] "aaa" "bbb" "ccc" 
> as.character(z) 
[1] "list(a = \"aaa\", b = \"bbb\", c = \"ccc\")" 
[2] "list(d = 1, e = 2)"  

paste函数还有一个用法，设置collapse参数，连成一个字符串：

> paste(x, y, sep="-", collapse='; ') 
[1] "aaa-1; bbb-2; ccc-1" 
> paste(x, collapse='; ') 
[1] "aaa; bbb; ccc" 

三、字符串拆分

strsplit函数使用正则表达式，使用格式为：strsplit(x, split, fixed = FALSE, perl = FALSE, useBytes = FALSE)

参数x为字串向量，每个元素都将单独进行拆分。

参数split为拆分位置的字串向量，默认为正则表达式匹配（fixed=FALSE）。如果你没接触过正则表达式，设置fixed=TRUE，表示使用普通文本匹配或正则表达式的精确匹配。普通文本的运算速度快。

perl=TRUE/FALSE的设置和perl语言版本有关，如果正则表达式很长，正确设置表达式并且使用perl=TRUE可以提高运算速度。

参数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。

下面的例子把一句话按空格拆分为单词：

> text <- "Hello Adam!\nHello Ava!"

> strsplit(text, ' ')

[[1]]

[1] "Hello"        "Adam!\nHello" "Ava!"            

 R语言的字符串事实上也是正则表达式，上面文本中的\n在图形输出中是被解释为换行符的。     

> strsplit(text, '\\s')

[[1]]

[1] "Hello" "Adam!" "Hello" "Ava!"  

strsplit得到的结果是列表，后面要怎么处理就得看情况而定了：

> class(strsplit(text, '\\s'))

[1] "list"

有一种情况很特殊：如果split参数的字符长度为0，得到的结果就是一个个的字符：

> strsplit(text, '')

[[1]]

 [1] "H"  "e"  "l"  "l"  "o"  " "  "A"  "d"  "a"  "m"  "!"  "\n" "H"  "e"  "l"  "l" 

[17] "o"  " "  "A"  "v"  "a"  "!" 

从这里也可以看到R把 \n 是当成一个字符来处理的。

四、字符串查询：

1、grep和grepl函数：

这两个函数返回向量水平的匹配结果，不涉及匹配字符串的详细位置信息。

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) 

虽然参数看起差不多，但是返回的结果不一样。下来例子列出C:\windows目录下的所有文件，然后用grep和grepl查找exe文件：

> files <- list.files("c:/windows") 
> grep("\\.exe$", files) 
 [1]   8  28  30  35  36  57  68  98  99 101 110 111 114 116 
> grepl("\\.exe$", files) 
  [1] FALSE FALSE FALSE FALSE FALSE FALSE FALSE  TRUE FALSE FALSE FALSE FALSE FALSE 
 [14] FALSE FALSE FALSE FALSE FALSE FALSE FALSE FALSE FALSE FALSE FALSE FALSE FALSE 
#...... 

grep仅返回匹配项的下标，而grepl返回所有的查询结果，并用逻辑向量表示有没有找到匹配。两者的结果用于提取数据子集的结果都一样：

> files[grep("\\.exe$", files)] 
 [1] "bfsvc.exe"      "explorer.exe"   "fveupdate.exe"  "HelpPane.exe"   
 [5] "hh.exe"         "notepad.exe"    "regedit.exe"    "twunk_16.exe"   
 [9] "twunk_32.exe"   "uninst.exe"     "winhelp.exe"    "winhlp32.exe"   
[13] "write.exe"      "xinstaller.exe" 
> files[grepl("\\.exe$", files)] 
 [1] "bfsvc.exe"      "explorer.exe"   "fveupdate.exe"  "HelpPane.exe"   
 [5] "hh.exe"         "notepad.exe"    "regedit.exe"    "twunk_16.exe"   
 [9] "twunk_32.exe"   "uninst.exe"     "winhelp.exe"    "winhlp32.exe"   
[13] "write.exe"      "xinstaller.exe" 

2、regexpr、gregexpr和regexec

这三个函数返回的结果包含了匹配的具体位置和字符串长度信息，可以用于字符串的提取操作。

> text <- c("Hellow, Adam!", "Hi, Adam!", "How are you, Adam.") 
> regexpr("Adam", text) 
[1]  9  5 14 
attr(,"match.length") 
[1] 4 4 4 
attr(,"useBytes") 
[1] TRUE 
> gregexpr("Adam", text) 
[[1]] 
[1] 9 
attr(,"match.length") 
[1] 4 
attr(,"useBytes") 
[1] TRUE 
[[2]] 
[1] 5 
attr(,"match.length") 
[1] 4 
attr(,"useBytes") 
[1] TRUE 
[[3]] 
[1] 14 
attr(,"match.length") 
[1] 4 
attr(,"useBytes") 
[1] TRUE 
> regexec("Adam", text) 
[[1]] 
[1] 9 
attr(,"match.length") 
[1] 4 
[[2]] 
[1] 5 
attr(,"match.length") 
[1] 4 
[[3]] 
[1] 14 
attr(,"match.length") 
[1] 4 

五、字符串替换

虽然sub和gsub是用于字符串替换的函数，但严格地说R语言没有字符串替换的函数，因为R语言不管什么操作对参数都是传值不传址。

> text 
[1] "Hello Adam!\nHello Ava!" 
> sub(pattern="Adam", replacement="world", text) 
[1] "Hello world!\nHello Ava!" 
> text 
[1] "Hello Adam!\nHello Ava!" 

可以看到：虽然说是“替换”，但原字符串并没有改变，要改变原变量我们只能通过再赋值的方式。

sub和gsub的区别是前者只做一次替换（不管有几次匹配），而gsub把满足条件的匹配都做替换：

> sub(pattern="Adam|Ava", replacement="world", text) 
[1] "Hello world!\nHello Ava!" 
> gsub(pattern="Adam|Ava", replacement="world", text) 
[1] "Hello world!\nHello world!" 

sub和gsub函数可以使用提取表达式（转义字符+数字）让部分变成全部：

> sub(pattern=".*(Adam).*", replacement="\\1", text)

[1] "Adam"

六、字符串提取

substr和substring函数通过位置进行字符串拆分或提取，它们本身并不使用正则表达式，但是结合正则表达式函数regexpr、gregexpr或regexec使用可以非常方便地从大量文本中提取所需信息。两者的参数设置基本相同：

substr(x, start, stop) 
substring(text, first, last = 1000000L) 

第 1个参数均为要拆分的字串向量，第2个参数为截取的起始位置向量，第3个参数为截取字串的终止位置向量。但它们的返回值的长度（个数）有差 别：substr返回的字串个数等于***个参数的长度；而substring返回字串个数等于三个参数中最长向量长度，短向量循环使用。先看第1参数（要 拆分的字符向量）长度为1例子：

> x <- "123456789" 
> substr(x, c(2,4), c(4,5,8)) 
[1] "234" 
> substring(x, c(2,4), c(4,5,8)) 
[1] "234"     "45"      "2345678" 

因为x的向量长度为1，所以substr获得的结果只有1个字串，即第2和第3个参数向量只用了***个组合：起始位置2，终止位置4。

而substring的语句三个参数中最长的向量为c(4,5,8)，执行时按短向量循环使用的规则***个参数事实上就是c(x,x,x)，第二个参数就成了c(2,4,2)，最终截取的字串起始位置组合为：2-4, 4-5和2-8。

请按照这样的处理规则解释下面语句运行的结果：

> x <- c("123456789", "abcdefghijklmnopq") 
> substr(x, c(2,4), c(4,5,8)) 
[1] "234" "de"  
> substring(x, c(2,4), c(4,5,8)) 
[1] "234"     "de"      "2345678" 

用substring函数可以很方便地把DNA/RNA序列进行三联拆分（用于蛋白质翻译）：

> bases <- c('A','T','G','C') 
> DNA <- paste(sample(bases, 12, replace=T), collapse='') 
> DNA 
[1] "CCTTTACGGTGT" 
> substring(DNA, seq(1,10,by=3), seq(3,12,by=3)) 
[1] "CCT" "TTA" "CGG" "TGT" 

用regexpr、gregexpr或regexec函数获得位置信息后再进行字符串提取的操作可以自己试试看。

七、其他：

比如strtrim、strwrap、charmatch、match和pmatch等，甚至是 %in% 运算符都是可以使用的。R的在线帮助很全，自己看吧，就当学习E文。

原文链接：http://helloxxxxxx.blog.163.com/blog/static/21601509520133492033667/?latestBlog

【编辑推荐】

1.R语言学习笔记(1)：R是什么

1.R语言学习笔记(2)：数据类型和数据结构