R語言處理文本的能力雖然不強(qiáng)，但適當(dāng)用用還是可以大幅提高工作效率的，而且有些文本操作還不得不用。高效處理文本少不了正則表達(dá)式（regular expression），雖然R在這方面先天不高效，但它處理字符串的絕大多數(shù)函數(shù)都使用正則表達(dá)式。

0、正則表達(dá)式簡介：

正則表達(dá)式不是R的專屬內(nèi)容，所以用0編號，這里也只簡單介紹，更詳細(xì)的內(nèi)容請查閱其他文章。

正則表達(dá)式是用于描述/匹配一個文本集合的表達(dá)式。

1.  所有英文字母、數(shù)字和很多可顯示的字符本身就是正則表達(dá)式，用于匹配它們自己。比如 'a' 就是匹配字母 'a' 的正則表達(dá)式

2.  一些特殊的字符在正則表達(dá)式中不在用來描述它自身，它們在正則表達(dá)式中已經(jīng)被“轉(zhuǎn)義”，這些字符稱為“元字符”。perl類型的正則表達(dá)式中被轉(zhuǎn)義的字符有：. \ | ( ) [ ] { } ^ $ * + ?。被轉(zhuǎn)義的字符已經(jīng)有特殊的意義，如點(diǎn)號 . 表示任意字符；方括號表示選擇方括號中的任意一個（如[a-z] 表示任意一個小寫字符）；^ 放在表達(dá)式開始出表示匹配文本開始位置，放在方括號內(nèi)開始處表示非方括號內(nèi)的任一字符；大括號表示前面的字符或表達(dá)式的重復(fù)次數(shù)；| 表示可選項(xiàng)，即 | 前后的表達(dá)式任選一個。

3.  如果要在正則表達(dá)式中表示元字符本身，比如我就要在文本中查找問號‘?’， 那么就要使用引用符號（或稱換碼符號），一般是反斜杠 '\'。需要注意的是，在R語言中得用兩個反斜杠即 ‘\\’，如要匹配括號就要寫成 ’\\(\\)‘

4.  不同語言或應(yīng)用程序（事實(shí)上很多規(guī)則都通用）定義了一些特殊的元字符用于表示某類字符，如 \d 表示數(shù)字0-9， \D 表示非數(shù)字，\s 表示空白字符（包括空格、制表符、換行符等），\S 表示非空白字符，\w 表示字（字母和數(shù)字），\W 表示非字，\< 和 \> 分別表示以空白字符開始和結(jié)束的文本。

5.  正則表達(dá)式符號運(yùn)算順序：圓括號括起來的表達(dá)式***先，然后是表示重復(fù)次數(shù)的操作（即：* + {} ），接下來是連接運(yùn)算（其實(shí)就是幾個字符放在一起，如abc），***是表示可選項(xiàng)的運(yùn)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、字符數(shù)統(tǒng)計(jì)和字符翻譯

nchar這個函數(shù)簡單，統(tǒng)計(jì)向量中每個元素的字符個數(shù)，注意這個函數(shù)和length函數(shù)的差別：nchar是向量元素的字符個數(shù)，而length是向量長度（向量元素的個數(shù)）。其他沒什么需要說的。

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

另外三個函數(shù)用法也很簡單：

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

二、字符串連接

paste應(yīng)該是R中最常用字符串函數(shù)了，也是R字符串處理函數(shù)里面非常純的不使用正則表達(dá)式的函數(shù)（因?yàn)橛貌恢Ｋ喈?dāng)于其他語言的strjoin，但是功能更強(qiáng)大。它把向量連成字串向量，其他類型的數(shù)據(jù)會轉(zhuǎn)成向量，但不一定是你要的結(jié)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="-")     #較短的向量被循環(huán)使用 
[1] "aaa-1" "bbb-2" "ccc-1" 
> z <- list(x,y) 
> paste("T", z, sep=":")   #這樣的結(jié)果不知合不合用 
[1] "T:list(a = \"aaa\", b = \"bbb\", c = \"ccc\")" 
[2] "T:list(d = 1, e = 2)" 

短向量重復(fù)使用，列表數(shù)據(jù)只有一級列表能有好的表現(xiàn)，能不能用看自己需要。會得到什么樣的結(jié)果是可以預(yù)知的，用as.character函數(shù)看吧，這又是一個字符串處理函數(shù)：

> 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函數(shù)還有一個用法，設(shè)置collapse參數(shù)，連成一個字符串：

> 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函數(shù)使用正則表達(dá)式，使用格式為：strsplit(x, split, fixed = FALSE, perl = FALSE, useBytes = FALSE)

參數(shù)x為字串向量，每個元素都將單獨(dú)進(jìn)行拆分。

參數(shù)split為拆分位置的字串向量，默認(rèn)為正則表達(dá)式匹配（fixed=FALSE）。如果你沒接觸過正則表達(dá)式，設(shè)置fixed=TRUE，表示使用普通文本匹配或正則表達(dá)式的精確匹配。普通文本的運(yùn)算速度快。

perl=TRUE/FALSE的設(shè)置和perl語言版本有關(guān)，如果正則表達(dá)式很長，正確設(shè)置表達(dá)式并且使用perl=TRUE可以提高運(yùn)算速度。

參數(shù)useBytes設(shè)置是否逐個字節(jié)進(jìn)行匹配，默認(rèn)為FALSE，即按字符而不是字節(jié)進(jìn)行匹配。

下面的例子把一句話按空格拆分為單詞：

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

> strsplit(text, ' ')

[[1]]

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

 R語言的字符串事實(shí)上也是正則表達(dá)式，上面文本中的\n在圖形輸出中是被解釋為換行符的。     

> strsplit(text, '\\s')

[[1]]

[1] "Hello" "Adam!" "Hello" "Ava!"  

strsplit得到的結(jié)果是列表，后面要怎么處理就得看情況而定了：

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

[1] "list"

有一種情況很特殊：如果split參數(shù)的字符長度為0，得到的結(jié)果就是一個個的字符：

> strsplit(text, '')

[[1]]

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

[17] "o"  " "  "A"  "v"  "a"  "!" 

從這里也可以看到R把 \n 是當(dāng)成一個字符來處理的。

四、字符串查詢：

1、grep和grepl函數(shù)：

這兩個函數(shù)返回向量水平的匹配結(jié)果，不涉及匹配字符串的詳細(xì)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) 

雖然參數(shù)看起差不多，但是返回的結(jié)果不一樣。下來例子列出C:\windows目錄下的所有文件，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僅返回匹配項(xiàng)的下標(biāo)，而grepl返回所有的查詢結(jié)果，并用邏輯向量表示有沒有找到匹配。兩者的結(jié)果用于提取數(shù)據(jù)子集的結(jié)果都一樣：

> 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

這三個函數(shù)返回的結(jié)果包含了匹配的具體位置和字符串長度信息，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、字符串替換

雖然sub和gsub是用于字符串替換的函數(shù)，但嚴(yán)格地說R語言沒有字符串替換的函數(shù)，因?yàn)镽語言不管什么操作對參數(shù)都是傳值不傳址。

> 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：雖然說是“替換”，但原字符串并沒有改變，要改變原變量我們只能通過再賦值的方式。

sub和gsub的區(qū)別是前者只做一次替換（不管有幾次匹配），而gsub把滿足條件的匹配都做替換：

> 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函數(shù)可以使用提取表達(dá)式（轉(zhuǎn)義字符+數(shù)字）讓部分變成全部：

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

[1] "Adam"

六、字符串提取

substr和substring函數(shù)通過位置進(jìn)行字符串拆分或提取，它們本身并不使用正則表達(dá)式，但是結(jié)合正則表達(dá)式函數(shù)regexpr、gregexpr或regexec使用可以非常方便地從大量文本中提取所需信息。兩者的參數(shù)設(shè)置基本相同：

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

第 1個參數(shù)均為要拆分的字串向量，第2個參數(shù)為截取的起始位置向量，第3個參數(shù)為截取字串的終止位置向量。但它們的返回值的長度（個數(shù)）有差 別：substr返回的字串個數(shù)等于***個參數(shù)的長度；而substring返回字串個數(shù)等于三個參數(shù)中最長向量長度，短向量循環(huán)使用。先看第1參數(shù)（要 拆分的字符向量）長度為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?yàn)閤的向量長度為1，所以substr獲得的結(jié)果只有1個字串，即第2和第3個參數(shù)向量只用了***個組合：起始位置2，終止位置4。

而substring的語句三個參數(shù)中最長的向量為c(4,5,8)，執(zhí)行時按短向量循環(huán)使用的規(guī)則***個參數(shù)事實(shí)上就是c(x,x,x)，第二個參數(shù)就成了c(2,4,2)，最終截取的字串起始位置組合為：2-4, 4-5和2-8。

請按照這樣的處理規(guī)則解釋下面語句運(yùn)行的結(jié)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函數(shù)可以很方便地把DNA/RNA序列進(jìn)行三聯(lián)拆分（用于蛋白質(zhì)翻譯）：

> 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函數(shù)獲得位置信息后再進(jìn)行字符串提取的操作可以自己試試看。

七、其他：

比如strtrim、strwrap、charmatch、match和pmatch等，甚至是 %in% 運(yùn)算符都是可以使用的。R的在線幫助很全，自己看吧，就當(dāng)學(xué)習(xí)E文。

原文鏈接：http://helloxxxxxx.blog.163.com/blog/static/21601509520133492033667/?latestBlog

【編輯推薦】

1.R語言學(xué)習(xí)筆記(1)：R是什么

1.R語言學(xué)習(xí)筆記(2)：數(shù)據(jù)類型和數(shù)據(jù)結(jié)構(gòu)