字符数据"/>
R语言 处理字符数据
处理字符数据，需要掌握一些正则表达式的知识，及一些相应的函数。
正则表达式
正则表达式，又称规则表达式。（英语：Regular Expression，在代码中常简写为regex、regexp或RE），计算机科学的一个概念。正则表达式通常被用来检索、替换那些符合某个模式(规则)的文本。
- 正则表达式是用于描述或匹配一个文本集合的表达式。
- 所有英文字母、数字和很多可现实的字符本身就是正则表达式，用于匹配它们自己。
- 一些特殊的字符在正则表达式中不再用来描述它自身，它们在正则表达式中已经被“转义”，这些字符称为“元字符”。
常用元字符
| 符号 | 描述 |
|---|---|
| . | 除了换行以外的任意字符 |
| \ \ | 转义字符，如果要匹配括号就要写成“\ \ ( \ \ )” |
| I | 表示可选项，即 I 前后的表达式任选一个 |
| ^ | 若放在表达式开始处，表示匹配文本开始位置； 若放在方括号内开始处，表示非方括号内的任一字符 |
| $ | 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 [a-z] 表示任意一个小写字符） |
| { } | 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少于5次，不能多于12次，否则都不匹配 |
| * | 前面的字符或表达式重复零次或更多次 |
| + | 前面的字符或表达式重复一次或更多次 |
| ? | 前面的字符或表达式重复零次或一次 |
正则表达式的符号运算顺序：
- 圆括号括起来的表达式最优先
- 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）
- 最后是表示可选项的运算（|）
字符串处理函数
可以从文本型数据中抽取信息，或者为打印输出和生成报告重设文本的格式
常用字符串处理函数：
| 函数 | 描述 |
|---|---|
| nchar(x) | 计算x中的字符数量 |
| substr(x, start, stop) | 提取或替换一个字符向量中的子串 |
| grep(pattern, x, ignore.case = FALSE, perl = FALSE, value = FALSE, fixed = FALSE, useBytes = FALSE, invert = FALSE) | 字符串查询，返回结果为匹配项的下标 |
| sub(pattern, replacement, x, ignore.case = FALSE, fixed = FALSE) | 对第一个满足条件的匹配做替换，原字符串并没有改变，要改变原变量只能通过再赋值的方式 |
| gsub(pattern, replacement, x, ignore.case = FALSE, perl = FALSE, fixed = FALSE, useBytes = FALSE)) | 把所有满足条件的匹配都做替换，原字符串并没有改变，要改变原变量只能通过再赋值的方式 |
| strsplit(x, split, fixed = FALSE, perl = FALSE, useBytes = FALSE) | 在split处分割字符向量x中的元素 |
| paste(…, sep = " ", collapse = NULL) | 连接字符串，分隔符为sep |
其他使用函数：
| 函数 | 描述 | 代码示例 | 代码运行结果 |
|---|---|---|---|
| length(x) | 返回对象x的长度值 | length(c(2,5,6,9)) | 4 |
| seq(from,to,by) | 根据参数的要求生成一个序列 | seq(1,10,2) | 1,3,5,7,9 |
| rep(x,n) | 将x重复n次 | rep(1:3,2) | 1,2,3,1,2,3 |
| cut(x,n) | 将连续型变量x分割为有着n个水平的因子，使用选项ordered_result = TRUE以创建一个有序型因子 | ||
| pretty(x,n) | 创建美观的分割点。通过选取n+1个等间距的取整值，将一个连续型变量x分割为n个区间。绘图中常用 | ||
| cat(…,file=“myfile”,append=FALSE) | 连接…中的对象，并将其输出到屏幕上或文件中（如果声明了一个的话） | firstname <- c("Jane")cat("hello",firstname,"\n") |
更多推荐
R语言 处理字符数据
发布评论