r语言reshape2 melt函数用法 r语言regsubsets函数nbest

文章目录

• 1 字符串基础
• 2 正则表达式实现模式匹配

• 2.1 基础匹配
• 2.2 锚点
• 2.3 字符类和字符选项
• 2.4 重复
• 2.5 分组与回溯引用

• 3 工具

• 3.1 匹配检测
• 3.2 提取匹配内容
• 3.3 替换匹配内容
• 3.4 定位
• 3.5 其他操作

• 4 正则表达式总结
• 参考资料

之前在R-数据科学（三 ）：向量中已经介绍了字符型向量的操作，但是由于基础函数使用方法不一致，一段时间不用就容易会忘记，那么有没有一个包既可以包含这些基础函数，并且操作更简单呢？当然有了，这就是stringr包，它是一个强大的字符串处理包，内含多个函数，操作简单，堪称字符串处理神器，结合正则表达式，可以满足大多数复杂的字符串处理需求。由于《R数据科学》对这个包的介绍十分全面，所以就在我自己理解的基础上将内容照搬过来了。

1 字符串基础

str_length()函数返回字符串长度

library(stringr)
vec = c('Biobio_Baper','Learn_Programmer','bio_info','R_studio')
str_length(vec)
## [1] 12 16  8  8

str_sub()函数取字符串子串

str_sub(vec,1,4)
## [1] "Biob" "Lear" "bio_" "R_st"

str_split()函数指定字符切割字符串

str_split(vec, '_',simplify = T) # 若“simplify = F”，则生成列表
##      [,1]     [,2]        
## [1,] "Biobio" "Baper"     
## [2,] "Learn"  "Programmer"
## [3,] "bio"    "info"      
## [4,] "R"      "studio"

str_c()函数合并字符串

str_c(rep('paste',4),vec,sep = ':')
## [1] "paste:Biobio_Baper"     "paste:Learn_Programmer"
## [3] "paste:bio_info"         "paste:R_studio"

str_c(1:10,collapse = '')
## [1] "12345678910"

str_to_lower()函数将字符串全都变为小写

str_to_lower(vec)
## [1] "biobio_baper"     "learn_programmer" "bio_info"        
## [4] "r_studio"

str_to_upper()函数将字符串全都变为大写

str_to_upper(vec)
## [1] "BIOBIO_BAPER"     "LEARN_PROGRAMMER" "BIO_INFO"        
## [4] "R_STUDIO"

2 正则表达式实现模式匹配

2.1 基础匹配

精确匹配字符串

library(stringr)
x <- c("apple", "banana", "pear")
str_view(x, "an")

另一个更复杂一些的模式是使用字符.，它可以匹配任意字符（除了换行符\）

str_view(x, ".a.")

若想匹配字符.和字符\本身，那么在正则表达式中首先需要用转义符\将二者转义为\.，\\，又因为正则表达式是使用字符串来表达的，而字符\在字符串中也表示转义，所在在正则表达式的字符串形式中，凡是遇到字符\，就必须对字符\转义，所以两个正则表达式的字符串形式为\\.和\\\\。

dot <- "\\."
writeLines(dot)
## \.
str_view(c("abc", "a.c", "bef"), "a\\.c")

x <- "a\\b"
writeLines(x)
## a\b
str_view(x, "\\\\")

2.2 锚点

默认情况下，正则表达式会匹配字符串的任意部分。有时我们需要在正则表达式中设置锚点，以便 R 从字符串的开头或末尾进行匹配。我们可以设置两种锚点：

• ^ 从字符串开头进行匹配
• $ 从字符串末尾进行匹配

x <- c("apple", "banana", "pear")
str_view(x, "^a")

str_view(x, "a$")

如果想要强制正则表达式匹配一个完整字符串，那么可以同时设置 ^ 和 $ 这两个锚点。

x <- c("apple pie", "apple", "apple cake")
str_view(x, "apple")

str_view(x, "^apple$")

2.3 字符类和字符选项

字符类

很多特殊模式可以匹配多个字符，如之前介绍的字符.可以匹配任意字符。除此之外，还有其他 4 种常用的字符类。

• \d：匹配任意数字。
• \s：匹配任意空白字符（如空格、制表符和换行符）。
• [abc]：匹配 a、b 或 c。
• [^abc]：可以匹配除 a、b、c 外的任意字符。

x = c('ⅠA','ⅢB','ⅡA')
str_view(x,'^[ⅠⅡ]')

字符选项

字符选项创建多个可选的模式

str_view(c("grey", "gray"), "gr(a|e)y")

x = c('ⅠAing','ⅢBize','ⅡA')
str_view(x,'(ing|ize)$')

2.4 重复

正则表达式的另一项强大功能是，其可以控制一个模式能够匹配多少次：

• ?：0 次或 1 次。
• +：1 次或多次。
• *：0 次或多次。

x <- "MDCCCLXXXVIII"
str_view(x, "CC?")

str_view(x, "CC+")

str_view(x, "CC*")

除了以上三种匹配模式，还可以精确设置匹配的次数：

• {n}：匹配 n 次。
• {n,}：匹配 n 次或更多次。
• {n, m}：匹配 n 到 m 次。

str_view(x, "C{2}")

str_view(x, "C{2,}")

str_view(x, "C{2,3}")

默认的匹配方式是“贪婪的”：正则表达式会匹配尽量长的字符串。通过在正则表达式后 面添加一个?，你可以将匹配方式更改为“懒惰的”，即匹配尽量短的字符串。

str_view(x, 'C{2,3}?')

str_view(x, 'C[LX]+?')

2.5 分组与回溯引用

以下的正则表达式可以找出名称中有重复的一对字母的所有水果。

str_view(fruit, "(..)\\1", match = TRUE)

3 工具

stringr包结合正则表达式可解决的常见问题：

• 确定与某种模式相匹配的字符串；
• 找出匹配的位置；
• 提取出匹配的内容；
• 使用新值替换匹配内容。

3.1 匹配检测

要想确定一个字符向量能否匹配一种模式，可以使用 str_detect()函数。它返回一个与输入向量具有同样长度的逻辑向量：

x <- c("apple", "banana", "pear")
str_detect(x, "e")
## [1]  TRUE FALSE  TRUE

str_detect() 函数结合dplyr包中filter()函数可以使数据框的筛选更加灵活。

str_detect() 函数的一种变体是 str_count()，后者不是简单地返回是或否，而是返回字符串中匹配的数量：

x <- c("apple", "banana", "pear")
str_count(x, "a")
## [1] 1 3 1

当然如果我们不仅想要确定一个字符向量能否匹配一种模式，还需要提取出来可以匹配到的字符串，可以直接使用str_subset()函数一步完成。

x <- c("apple", "banana", "pear")
str_subset(x, "e")
## [1] "apple" "pear"

3.2 提取匹配内容

如果想要直接取匹配的实际文本，我们可以使用str_extract()函数。

# 创建正则表达式
colors = c( "red", "orange", "yellow", "green", "blue", "purple")
color_match <- str_c(colors, collapse = "|")
color_match
## [1] "red|orange|yellow|green|blue|purple"

# 匹配检测、提取匹配到的字符串。
has_color = str_subset(sentences, color_match) # str_subset() 
head(has_color)
## [1] "Glue the sheet to the dark blue background."
## [2] "Two blue fish swam in the tank."            
## [3] "The colt reared and threw the tall rider."  
## [4] "The wide road shimmered in the hot sun."    
## [5] "See the cat glaring at the scared mouse."   
## [6] "A wisp of cloud hung in the blue air."

# 提取匹配内容
matches = str_extract(has_color, color_match)
head(matches)
## [1] "blue" "blue" "red"  "red"  "red"  "blue"

3.3 替换匹配内容

str_replace() 和str_replace_all()函数可以使用新字符串替换匹配内容，二者的区别是str_replace()函数只会替换第一次匹配到的内容，而str_replace_all()函数会替换到所有匹配到的内容。

x = 'a.a.a.a'
# 替换第一次匹配内容
str_replace(x,'\\.','-')
## [1] "a-a.a.a"

# 替换所有匹配内容
str_replace_all(x,'\\.','-')
## [1] "a-a-a-a"

3.4 定位

str_locate() 和 str_locate_all()函数可以给出每个匹配的开始位置和结束位置，然后可以结合str_sub()函数提取匹配内容。

x <- c("apple", "banana", "pear")

# 定位
str_locate(x,'(..)\\1')
##      start end
## [1,]    NA  NA
## [2,]     2   5
## [3,]    NA  NA

# 根据位置提取匹配内容
all_sub = str_sub(x,str_locate(x,'(..)\\1'))
all_sub
## [1] NA     "anan" NA

na_omit_sub =  all_sub[!is.na(all_sub)]
na_omit_sub
## [1] "anan"

3.5 其他操作

之前介绍过dir() 函数可以列出一个目录下的所有文件和目录，此外dir() 函数的 patten参数可以是一个正则表达式，此时它只返回与这个模式相匹配的文件名。

dir(pattern = '^G')
[1] "GEO数据下载及预处理.r" "GSE31210"              "GSE37745"             
[4] "GSE50081"

4 正则表达式总结

正则表达式	作用
abc	匹配字符abc
.	匹配除换行符\以外的任意字符
\	转义字符，将特殊字符转为字符串
\.	匹配字符.本身
\\	匹配字符\本身
^	从字符串开头进行匹配
$	从字符串结尾进行匹配
\d	匹配任意数字
\s	匹配任意空白字符（如空格、制表符和换行符）
[abc]	匹配 a、b 或 c
[^abc]	匹配除 a、b、c 外的任意字符
?	0 次或 1 次
+	1 次或多次
*	0 次或多次
{n}	匹配 n 次
{n,}	匹配 n 次或更多次
{n, m}	匹配 n 到 m 次

参考资料

R数据科学