R语言-字符串处理包stringr

R语言字符串处理包stringr

前言

  用R语言处理字符串，总觉得很麻烦，即不能用向量的方法进行分割，也不能用循环遍历索引。grep()家族函数常常记不住，paste()函数默认以空格分割，各种不顺手啊！随着使用R语言的场景越来越多，字符串处理是必不可少的。给大家推荐一个由 Hadley Wickham 开发的一个灵活的字符串处理包stringr。

目录

 1. stringr介绍

 2. stringr安装

 3. stringr的API介绍

1. stringr介绍

  stringr包被定义为一致的、简单易用的字符串工具集。所有的函数和参数定义都具有一致性，比如，用相同的方法进行NA处理和0长度的向量处理。

  字符串处理虽然不是R语言中最主要的功能，却也是必不可少的，数据清洗、可视化等的操作都会用到。对于R语言本身的base包提供的字符串基础函数，随着时间的积累，已经变得很多地方不一致，不规范的命名，不标准的参数定义，很难看一眼就上手使用。字符串处理在其他语言中都是非常方便的事情，R语言在这方面确实落后了。stringr包就是为了解决这个问题，让字符串处理变得简单易用，提供友好的字符串操作接口。

  stringr的项目主页：https://cran.r-project.org/web/packages/stringr/index.html

2. stringr安装

  本文所使用的系统环境

• Win10 64bit

• R: 3.2.3 x86_64-w64-mingw32/x64 b4bit

    #stringr是在CRAN发布的标准库，安装起来非常简单，2条命令就可以了。
    ~ R
    > install.packages('stringr')
    > library(stringr)
  

3. stringr的API介绍

  stringr包1.0.0版本，一共提供了30个函数，方便我们对字符串处理。常用的字符串的处理以str_开头来命名，方便更直观理解函数的定义。我们可以根据使用习惯对函数进行分类：

 字符串拼接函数

• str_c: 字符串拼接。
• str_join: 字符串拼接，同str_c。
• str_trim: 去掉字符串的空格和TAB(\t)
• str_pad: 补充字符串的长度
• str_dup: 复制字符串
• str_wrap: 控制字符串输出格式
• str_sub: 截取字符串
• str_sub<- 截取字符串，并赋值，同str_sub

 字符串计算函数

• str_count: 字符串计数
• str_length: 字符串长度
• str_sort: 字符串值排序
• str_order: 字符串索引排序，规则同str_sort

 字符串匹配函数

• str_split: 字符串分割
• str_split_fixed: 字符串分割，同str_split
• str_subset: 返回匹配的字符串
• word: 从文本中提取单词
• str_detect: 检查匹配字符串的字符
• str_match: 从字符串中提取匹配组。
• str_match_all: 从字符串中提取匹配组，同str_match
• str_replace: 字符串替换
• str_replace_all: 字符串替换，同str_replace
• str_replace_na:把NA替换为NA字符串
• str_locate: 找到匹配的字符串的位置。
• str_locate_all: 找到匹配的字符串的位置，同str_locate
• str_extract: 从字符串中提取匹配字符
• str_extract_all: 从字符串中提取匹配字符，同str_extract

 字符串变换函数

• str_conv: 字符编码转换
• str_to_upper: 字符串转成大写
• str_to_lower: 字符串转成小写，规则同str_to_upper
• str_to_title: 字符串转成首字母大写，规则同str_to_upper

 参数控制函数，仅用于构造功能的参数，不能独立使用。

• boundary: 定义使用边界
• coll: 定义字符串标准排序规则。
• fixed: 定义用于匹配的字符，包括正则表达式中的转义符
• regex: 定义正则表达式

3.1 字符串拼接函数

 3.1.1 str_c，字符串拼接操作，与str_join完全相同，与paste()行为不完全一致。

• 函数定义：

    str_c(..., sep = "", collapse = NULL)
    str_join(..., sep = "", collapse = NULL)
  

• 参数列表：

    …: 多参数的输入。
    sep: 把多个字符串拼接为一个大的字符串，用于字符串的分割符。
    collapse: 把多个向量参数拼接为一个大的字符串，用于字符串的分割符。
  

• 把多个字符串拼接为一个大的字符串。

    > str_c('a','b')
    [1] "ab"
    > str_c('a','b',sep='-')
    [1] "a-b"
    > str_c(c('a','a1'),c('b','b1'),sep='-')
    [1] "a-b"   "a1-b1"
  

• 把多个向量参数拼接为一个大的字符串。

    > str_c(head(letters), collapse = "")
    [1] "abcdef"
    > str_c(head(letters), collapse = ", ")
    [1] "a, b, c, d, e, f"
  
    # collapse参数，对多个字符串无效
    > str_c('a','b',collapse = "-")   
    [1] "ab"
    > str_c(c('a','a1'),c('b','b1'),collapse='-')
    [1] "ab-a1b1"
    
    # 如果是向量之间的连接，collapse的作用与sep一样，只不过此时sep无效
    > str_c(c(1989,07,17), sep = '-') #使用sep
    [1] "1989" "7"    "17"  
    > str_c(c(1989,07,17), collapse = '-') #使用collapse
    [1] "1989-7-17"
    > str_c('x', c(1:10), ':')
     [1] "x1:"  "x2:"  "x3:"  "x4:"  "x5:" 
     [6] "x6:"  "x7:"  "x8:"  "x9:"  "x10:"
  

• 拼接有NA值的字符串向量时，NA还是NA

    > str_c(c("a", NA, "b"), "-d")
    [1] "a-d" NA    "b-d"
  

• 对比str_c()函数和paste()函数之间的不同点。

    # 多字符串拼接，默认的sep参数行为不一致
    > str_c('a','b')
    [1] "ab"
    > paste('a','b')
    [1] "a b"
    
    # 向量拼接字符串，collapse参数的行为一致
    > str_c(head(letters), collapse = "")
    [1] "abcdef"
    > paste(head(letters), collapse = "")
    [1] "abcdef"
     
    #拼接有NA值的字符串向量，对NA的处理行为不一致
    > str_c(c("a", NA, "b"), "-d")
    [1] "a-d" NA    "b-d"
    > paste(c("a", NA, "b"), "-d")
    [1] "a -d"  "NA -d" "b -d" 
  

 3.1.2 str_trim：去掉字符串的空格和TAB(\t)

• 函数定义：

    str_trim(string, side = c("both", "left", "right"))
  

• 参数列表：

    string: 字符串，字符串向量。
    side: 过滤方式，both两边都过滤，left左边过滤，right右边过滤
  

• 去掉字符串的空格和TAB(\t)

    #只过滤左边的空格
    > str_trim("  left space\t\n",side='left') 
    [1] "left space\t\n"
    
    #只过滤右边的空格
    > str_trim("  left space\t\n",side='right')
    [1] "  left space"
    
    #过滤两边的空格
    > str_trim("  left space\t\n",side='both')
    [1] "left space"
    
    #过滤两边的空格
    > str_trim("\nno space\n\t")
    [1] "no space"
  

 3.1.3 str_pad：补充字符串的长度

• 函数定义：

    str_pad(string, width, side = c("left", "right", "both"), pad = " ")
  

• 参数列表：

    string: 字符串，字符串向量。
    width: 字符串填充后的长度
    side: 填充方向，both两边都填充，left左边填充，right右边填充
    pad: 用于填充的字符
  

• 补充字符串的长度

    # 从左边补充空格，直到字符串长度为20
    > str_pad("conan", 20, "left")
    [1] "               conan"
    
    # 从右边补充空格，直到字符串长度为20
    > str_pad("conan", 20, "right")
    [1] "conan               "
    
    # 从左右两边各补充空格，直到字符串长度为20
    > str_pad("conan", 20, "both")
    [1] "       conan        "
    
    # 从左右两边各补充x字符，直到字符串长度为20
    > str_pad("conan", 20, "both",'x')
    [1] "xxxxxxxconanxxxxxxxx"
  

 3.1.4 str_dup: 复制字符串

• 函数定义：

    str_dup(string, times)
  

• 参数列表：

    string: 字符串，字符串向量。
    times: 复制数量
  

• 复制一个字符串向量

    > val <- c("abca4", 123, "cba2")
    
    # 复制2次
    > str_dup(val, 2)
    [1] "abca4abca4" "123123"     "cba2cba2"  
    
    # 按位置复制
    > str_dup(val, 1:3)
    [1] "abca4"        "123123"       "cba2cba2cba2"
  

 3.1.5 str_wrap，控制字符串输出格式

• 函数定义：

    str_wrap(string, width = 80, indent = 0, exdent = 0)
  

• 参数列表：

    string: 字符串，字符串向量。
    width: 设置一行所占的宽度。
    indent: 段落首行的缩进值（设定每个段落第一行的缩进格式，默认没有缩进）
    exdent: 段落非首行的缩进值（设定每个段落第一行之后所有行的缩进格式，默认没有缩进）
  

• 控制字符串输出格式

    > 
    > txt<-'R语言作为统计学一门语言，一直在小众领域闪耀着光芒。直到大数据的爆发，R语言变成了一门炙手可热的数据分析的利器。随着越来越多的工程背景的人的加入，R语言的社区在迅速扩大成长。现在已不仅仅是统计领域，教育，银行，电商，互联网….都在使用R语言。'
    > 
    > # 设置宽度为40个字符
    > cat(str_wrap(txt, width = 40), "\n")
    R语言作为统计学一门语言，一直在小众领域闪耀着光芒。直到大数据的爆发，R语言变
    成了一门炙手可热的数据分析的利器。随着越来越多的工程背景的人的加入，R语言的社区
    在迅速扩大成长。现在已不仅仅是统计领域，教育，银行，电商，互联网….都在使用R语
    言。 
    > # 设置宽度为60字符，首行缩进2字符
    > cat(str_wrap(txt, width = 60, indent = 2), "\n")
      R语言作为统计学一门语言，一直在小众领域闪耀着光芒。直到大数据的爆发，R语言变成了一门炙手可热的数据分析的利器。随着
    越来越多的工程背景的人的加入，R语言的社区在迅速扩大成长。现在已不仅仅是统计领域，教育，银行，电商，互联网….都在使用R
    语言。 
    > # 设置宽度为10字符，非首行缩进4字符
    > cat(str_wrap(txt, width = 10, exdent = 4), "\n")
    R语言作为统计学一
        门语言，一直
        在小众领域闪
        耀着光芒。直
        到大数据的爆
        发，R语言变
        成了一门炙手
        可热的数据分
        析的利器。随
        着越来越多的
        工程背景的人
        的加入，R语
        言的社区在迅
        速扩大成长。
        现在已不仅仅
        是统计领域，
        教育，银行，
        电商，互联
        网….都在使
        用R语言。 
    > 
    > str_wrap(txt) #默认以80个字节作为行宽
    [1] "R语言作为统计学一门语言，一直在小众领域闪耀着光芒。直到大数据的爆发，R语言变成了一门炙手可热的数据分析的利器。随着越来越多的工程背景的人的加入，R语言的社区在\n迅速扩大成长。现在已不仅仅是统计领域，教育，银行，电商，互联网….都在使用R语言。"
    > cat(str_wrap(txt), sep = '\n') #以换行符连接每个固定长度的句子
    R语言作为统计学一门语言，一直在小众领域闪耀着光芒。直到大数据的爆发，R语言变成了一门炙手可热的数据分析的利器。随着越来越多的工程背景的人的加入，R语言的社区在
    迅速扩大成长。现在已不仅仅是统计领域，教育，银行，电商，互联网….都在使用R语言。
    > cat(str_wrap(txt, indent = 4)) #段落第一行空4个字符
        R语言作为统计学一门语言，一直在小众领域闪耀着光芒。直到大数据的爆发，R语言变成了一门炙手可热的数据分析的利器。随着越来越多的工程背景的人的加入，R语言
    的社区在迅速扩大成长。现在已不仅仅是统计领域，教育，银行，电商，互联网….都在使用R语言。
    > 
  

 3.1.6 str_sub，截取字符串

• 函数定义：

    str_sub(string, start = 1L, end = -1L)
  

• 参数列表：

    string: 字符串，字符串向量。
    start : 开始位置
    end : 结束位置
  

• 截取字符串

    > txt <- "I am Conan."
    
    # 截取1-4的索引位置的字符串
    > str_sub(txt, 1, 4)
    [1] "I am"
    
    # 截取1-6的索引位置的字符串
    > str_sub(txt, end=6)
    [1] "I am C"
    
    # 截取6到结束的索引位置的字符串
    > str_sub(txt, 6)
    [1] "Conan."
    
    # 分2段截取字符串
    > str_sub(txt, c(1, 4), c(6, 8))
    [1] "I am C" "m Con" 
    
    # 通过负坐标截取字符串
    > str_sub(txt, -3)
    [1] "an."
    > str_sub(txt, end = -3)
    [1] "I am Cona"
  

• 对截取的字符串进行赋值

    > x <- "AAABBBCCC"
    
    # 在字符串的1的位置赋值为1
    > str_sub(x, 1, 1) <- 1; x
    [1] "1AABBBCCC"
    
    # 在字符串从2到-2的位置赋值为2345
    > str_sub(x, 2, -2) <- "2345"; x
    [1] "12345C"
  

3.2 字符串计算函数

 3.2.1 str_count，字符串计数 (计数能够匹配上的字符个数)

• 函数定义：

    str_count(string, pattern = "")
  

• 参数列表：

    string: 字符串，字符串向量。
    pattern: 匹配的字符。
  

• 对字符串中匹配的字符计数

    > str_count('aaa444sssddd', "a")
    [1] 3
  

• 对字符串向量中匹配的字符计数

    > fruit <- c("apple", "banana", "pear", "pineapple")
    > str_count(fruit, "a")
    [1] 1 3 1 1
    > str_count(fruit, "p")
    [1] 2 0 1 3
  

• 对字符串中的 '.' 字符计数，由于 . 是正则表达式的匹配符，直接判断计数的结果是不对的。

    > str_count(c("a.", ".", ".a.",NA), ".")
    [1]  2  1  3 NA
    
    # 用fixed匹配字符
    > str_count(c("a.", ".", ".a.",NA), fixed("."))
    [1]  1  1  2 NA
    
    # 用\\匹配字符
    > str_count(c("a.", ".", ".a.",NA), "\\.")
    [1]  1  1  2 NA
  

 3.2.2 str_length，字符串长度

• 函数定义：

    str_length(string)
  

• 参数列表：

    string: 字符串，字符串向量
  

• 计算字符串的长度:

    > str_length(c("A", "abdata", "银河统计", NA))
    [1]  1  6  4 NA
  

 3.2.3 str_sort，字符串值排序，同str_order索引排序

• 函数定义：

    str_sort(x, decreasing = FALSE, na_last = TRUE, locale = "", ...)
    str_order(x, decreasing = FALSE, na_last = TRUE, locale = "", ...)
  

• 参数列表：

    x: 字符串，字符串向量。
    decreasing: 排序方式，默认为升序。
    na_last:NA值的存放位置，一共3个值，TRUE放到最后，FALSE放到最前，NA过滤处理
    locale:按哪种语言习惯排序
  

• 对字符串值进行排序

    # 按ASCII字母排序
    > str_sort(c('a',1,2,'11'), locale = "en")  
    [1] "1"  "11" "2"  "a" 
    
    # 倒序排序
    > str_sort(letters,decreasing=TRUE)         
     [1] "z" "y" "x" "w" "v" "u" "t" "s" "r" "q" "p" "o" "n" "m" "l" "k" "j" "i" "h"
    [20] "g" "f" "e" "d" "c" "b" "a"
    
    # 按拼音排序
    > str_sort(c('你','好','粉','丝','日','志'),locale = "zh")  
    [1] "粉" "好" "你" "日" "丝" "志"
  

• 对NA值的排序处理

    #把NA放最后面
    > str_sort(c(NA,'1',NA),na_last=TRUE) 
    [1] "1" NA  NA
     
    #把NA放最前面
    > str_sort(c(NA,'1',NA),na_last=FALSE) 
    [1] NA  NA  "1"
    
    #去掉NA值 
    > str_sort(c(NA,'1',NA),na_last=NA)    
    [1] "1"
  
    ### str_order 和 str_sort的区别
    ### 在于前者返回排序后的索引（下标），后者返回排序后的实际值
    > str_order(letters, locale = 'en')
     [1]  1  2  3  4  5  6  7  8  9 10 11 12
    [13] 13 14 15 16 17 18 19 20 21 22 23 24
    [25] 25 26
    > str_sort(letters, locale = 'en')
     [1] "a" "b" "c" "d" "e" "f" "g" "h" "i"
    [10] "j" "k" "l" "m" "n" "o" "p" "q" "r"
    [19] "s" "t" "u" "v" "w" "x" "y" "z"
  

3.3 字符串匹配函数

 3.3.1 str_split，字符串分割，同 str_split_fixed

• 函数定义：

    str_split(string, pattern, n = Inf)
    str_split_fixed(string, pattern, n)
  

• 参数列表：

    string: 字符串，字符串向量。
    pattern: 匹配的字符（分割符，可以是正则表达式也可以是固定的字符）。
    n: 分割个数（指定返回分割的个数，需要注意的是，其使用转移法分割字符串）
  

• 对字符串进行分割

    ### str_split与str_split_fixed的区别
    ### 在于前者返回列表格式，后者返回矩阵格式
    > val <- "abc,123,234,iuuu"
    
    # 以,进行分割
    > s1<-str_split(val, ",");s1
    [[1]]
    [1] "abc"  "123"  "234"  "iuuu"
    
    # 以,进行分割，保留2块
    > s2<-str_split(val, ",",2);s2
    [[1]]
    [1] "abc"          "123,234,iuuu"
    
    # 查看str_split()函数操作的结果类型list
    > class(s1)
    [1] "list"
    
    # 用str_split_fixed()函数分割，结果类型是matrix
    > s3<-str_split_fixed(val, ",",2);s3
         [,1]  [,2]          
    [1,] "abc" "123,234,iuuu"
    
    > class(s3)
    [1] "matrix"
  

 3.3.2 str_subset：返回的匹配字符串

• 函数定义：

    str_subset(string, pattern)
  

• 参数列表：

    string: 字符串，字符串向量。
    pattern: 匹配的字符（需要匹配的字符模式，默认模式可以是正则表达式）。
  

• 匹配字符串

    > val <- c("abc", 123, "cba")
    
    # 全文匹配
    > str_subset(val, "a")
    [1] "abc" "cba"
    
    # 开头匹配
    > str_subset(val, "^a")
    [1] "abc"
    
    # 结尾匹配
    > str_subset(val, "a$")
    [1] "cba"
  
    #该函数与word()函数的区别在于前者提取字符串的子串，后者提取的是单词，而且str_sub也可以其替换的作用。
  
    > string <- 'My name is ABDATA, I’m 27.'
    > str_sub(string, 1, 1)
    [1] "M"
    > word(string, 1, 1)
    [1] "My"
    > str_sub(string, 1, 4)
    [1] "My n"
    > word(string, 1, 4)
    [1] "My name is ABDATA,"
    > str_sub(string, -1)
    [1] "."
    > word(string, -1)
    [1] "27."
    > str_sub(string, -3,-2) <- 25
    > string
    [1] "My name is ABDATA, I’m 25."
  

 3.3.3 word，从文本中提取单词（适用于英语环境下的使用）

• 函数定义：

    word(string, start = 1L, end = start, sep = fixed(" "))
  

• 参数列表：

    string: 字符串，字符串向量。
    start: 开始位置。
    end: 结束位置。
    sep: 指定单词之间的分隔符，默认为空格。
  

• 从文本中提取单词

    > val <- c("I am Conan.", "http://fens.me, ok")
    
    # 默认以空格分割，取第一个位置的字符串
    > word(val, 1)
    [1] "I"               "http://fens.me,"
    > word(val, -1)
    [1] "Conan." "ok"    
    > word(val, 2, -1)
    [1] "am Conan." "ok"       
    
    # 以,分割，取第一个位置的字符串 
    > val<-'111,222,333,444'
    > word(val, 1, sep = fixed(','))
    [1] "111"
    > word(val, 3, sep = fixed(','))
    [1] "333"
    
    # 以空格分隔
    > string <- 'I like using R'
    > word(string, 1, -1) #取出所有的句子
    [1] "I like using R"
    > word(string, 1) #提取第一个单词
    [1] "I"
    > word(string, -1) #提取最后一个单词
    [1] "R"
    > word(string, 1, 1:4) #提取最后一个单词
    [1] "I"              "I like"         "I like using"  
    [4] "I like using R"
  

 3.3.4 str_detect匹配字符串的字符(检测函数，用于检测字符串中是否存在某种匹配模式)

• 函数定义：

    str_detect(string, pattern)
  

• 参数列表：

    string: 字符串，字符串向量。
    pattern: 匹配字符。
  

• 匹配字符串的字符

    > val <- c("abca4", 123, "cba2")
    
    # 检查字符串向量，是否包括a
    > str_detect(val, "a")
    [1]  TRUE FALSE  TRUE
    
    # 检查字符串向量，是否以a为开头
    > str_detect(val, "^a")
    [1]  TRUE FALSE FALSE
    
    # 检查字符串向量，是否以a为结尾
    > str_detect(val, "a$")
    [1] FALSE FALSE FALSE
  

 3.3.5 str_match，从字符串中提取匹配组

• 函数定义：

    str_match(string, pattern)
    str_match_all(string, pattern)
  

• 参数列表：

    string: 字符串，字符串向量。
    pattern: 匹配字符。
  

• 从字符串中提取匹配组

    > val <- c("abc", 123, "cba")
    
    # 匹配字符a，并返回对应的字符
    > str_match(val, "a")
         [,1]
    [1,] "a" 
    [2,] NA  
    [3,] "a" 
    
    # 匹配字符0-9，限1个，并返回对应的字符
    > str_match(val, "[0-9]")
         [,1]
    [1,] NA  
    [2,] "1" 
    [3,] NA  
    
    # 匹配字符0-9，不限数量，并返回对应的字符
    > str_match(val, "[0-9]*")
         [,1] 
    [1,] ""   
    [2,] "123"
    [3,] ""  
  

• 从字符串中提取匹配组，以字符串matrix格式返回

    > str_match_all(val, "a")
    [[1]]
         [,1]
    [1,] "a" 
    
    [[2]]
         [,1]
    
    [[3]]
         [,1]
    [1,] "a" 
    
    > str_match_all(val, "[0-9]")
    [[1]]
         [,1]
    
    [[2]]
         [,1]
    [1,] "1" 
    [2,] "2" 
    [3,] "3" 
    
    [[3]]
         [,1]
  

 3.3.6 str_replace，字符串替换

• 函数定义：

    str_replace(string, pattern, replacement)
  

• 参数列表：

    string: 字符串，字符串向量。
    pattern: 匹配字符（模式）。
    replacement: 指定新的字符串用于替换匹配的字符（模式）。
  

• 字符串替换

    > val <- c("abc", 123, "cba")
    
    # 把目标字符串第一个出现的a或b，替换为-
    > str_replace(val, "[ab]", "-")
    [1] "-bc" "123" "c-a"
    
    # 把目标字符串所有出现的a或b，替换为-
    > str_replace_all(val, "[ab]", "-")
    [1] "--c" "123" "c--"
    
    # 把目标字符串所有出现的a，替换为被转义的字符
    > str_replace_all(val, "[a]", "\1\1")
    [1] "\001\001bc" "123"        "cb\001\001"
  
  
    ### str_replace 与 str_replace_all的区别
    ### 在于前者只替换一次匹配的对象，而后者可以替换所有匹配的对象
    > string <- '1989.07.17'
    > string
    [1] "1989.07.17"
    > str_replace(string, '\\.', '-')
    [1] "1989-07.17"
    > str_replace_all(string, '\\.', '-')
    [1] "1989-07-17"
  

 3.3.7 str_replace_na 把NA替换为NA字符串

• 函数定义：

    str_replace_na(string, replacement = "NA")
  

• 参数列表：

    string: 字符串，字符串向量。
    replacement : 用于替换的字符。
  

• 把NA替换为字符串

    > str_replace_na(c(NA,'NA',"abc"),'x')
    [1] "x"   "NA"  "abc"
  

 3.3.8 str_locate，找到的模式在字符串中的位置。

• 函数定义：

    str_locate(string, pattern)
    str_locate_all(string, pattern)
  

• 参数列表：

    string: 字符串，字符串向量。
    pattern: 匹配字符。
  

• 找到的模式在字符串中的位置

    > val <- c("abca", 123, "cba")
    
    # 匹配a在字符串中的位置
    > str_locate(val, "a")
         start end
    [1,]     1   1
    [2,]    NA  NA
    [3,]     3   3
    
    # 用向量匹配
    > str_locate(val, c("a", 12, "b"))
         start end
    [1,]     1   1
    [2,]     1   2
    [3,]     2   2
    
    # 以字符串matrix格式返回
    > str_locate_all(val, "a")
    [[1]]
         start end
    [1,]     1   1
    [2,]     4   4
    
    [[2]]
         start end
    
    [[3]]
         start end
    [1,]     3   3
    
    # 匹配a或b字符，以字符串matrix格式返回
    > str_locate_all(val, "[ab]")
    [[1]]
         start end
    [1,]     1   1
    [2,]     2   2
    [3,]     4   4
    
    [[2]]
         start end
    
    [[3]]
         start end
    [1,]     2   2
    [2,]     3   3
  

 3.3.9 str_extract从字符串中提取匹配模式

• 函数定义：

    str_extract(string, pattern)
    str_extract_all(string, pattern, simplify = FALSE)
  

• 参数列表：

    string: 字符串，字符串向量。
    pattern: 匹配字符。
    simplify: 返回值，TRUE返回matrix，FALSE返回字符串向量
  

• 从字符串中提取匹配模式

    > val <- c("abca4", 123, "cba2")
    
    # 返回匹配的数字
    > str_extract(val, "\\d")
    [1] "4" "1" "2"
    
    # 返回匹配的字符
    > str_extract(val, "[a-z]+")
    [1] "abca" NA     "cba" 
    
    
    > val <- c("abca4", 123, "cba2")
    > str_extract_all(val, "\\d")
    [[1]]
    [1] "4"
    
    [[2]]
    [1] "1" "2" "3"
    
    [[3]]
    [1] "2"
    
    > str_extract_all(val, "[a-z]+")
    [[1]]
    [1] "abca"
    
    [[2]]
    character(0)
    
    [[3]]
    [1] "cba"
  

3.4 字符串变换函数

 3.4.1 str_conv:字符编码转换

• 函数定义：

    str_conv(string, encoding)
  

• 参数列表：

    string: 字符串，字符串向量。
    encoding: 编码名。
  

• 对中文进行转码处理。

    # 把中文字符字节化
    > x <- charToRaw('你好');x
    [1] c4 e3 ba c3
    
    # 默认win系统字符集为GBK，GB2312为GBK字集，转码正常
    > str_conv(x, "GBK")
    [1] "你好"
    > str_conv(x, "GB2312")
    [1] "你好"
    
    # 转UTF-8失败
    > str_conv(x, "UTF-8")
    [1] "���"
    Warning messages:
    1: In stri_conv(string, encoding, "UTF-8") :
      input data \xffffffc4 in current source encoding could not be converted to Unicode
    2: In stri_conv(string, encoding, "UTF-8") :
      input data \xffffffe3\xffffffba in current source encoding could not be converted to Unicode
    3: In stri_conv(string, encoding, "UTF-8") :
      input data \xffffffc3 in current source encoding could not be converted to Unicode
    把unicode转UTF-8
    
    
    > x1 <- "\u5317\u4eac"
    > str_conv(x1, "UTF-8")
    [1] "北京"
  

 3.4.2 str_to_upper，字符串大写转换。

• 函数定义：

    str_to_upper(string, locale = "")
    str_to_lower(string, locale = "")
    str_to_title(string, locale = "")
  

• 参数列表：

    string: 字符串。
    locale:按哪种语言习惯排序
  

• 字符串大写转换:

    > val <- "I am conan. Welcome to my blog! http://fens.me"
    
    # 全大写
    > str_to_upper(val)
    [1] "I AM CONAN. WELCOME TO MY BLOG! HTTP://FENS.ME"
    
    # 全小写
    > str_to_lower(val)
    [1] "i am conan. welcome to my blog! http://fens.me"
    
    # 首字母大写
    > str_to_title(val)
    [1] "I Am Conan. Welcome To My Blog! Http://Fens.Me"
  

  字符串在平常的数据处理中经常用过，需要对字符串进行分割、连接、转换等操作，本篇中通过介绍stringr，灵活的字符串处理库，可以有效地提高代码的编写效率。有了好的工具，在用R语言处理字符串就顺手了。

stringr包中的重要函数

---

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()	复制字符串	-
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。

参考资料

• R中的正则表达式及字符处理函数总结

• 正则表达式及R字符串处理之终结版

• R语言字符串处理包stringr

• 灵活的字符串处理包