R Packages introduce - stringr | R包介紹 - stringr

 

Character字符在數據操作上並不是最主要的處理項目，在分析的類別上幾乎都是以數字、統計為優先處理的，關於字符通常也都轉換成日期、月份、星期等等。

不過字符的使用也並不是毫無用處，畢竟文字總是比數字來的直觀，理解的速度也是比數字來的快(這部分數字好的大大有可能會不認同)，有時數字轉換成字符也比好進行統計或彙整(例如id integer轉 character，進行數據集堆疊與統計時才較不會出錯)，所以也還是把處理字符的包做個介紹。

所有stringr內的函數開頭是固定的，都是” str_ ”，並且支援正則表達式，很清楚也非常快速理解這個函數是屬於哪個包的，以下為八個較常用到的函數 :

 

` str_detect ()` : TRUE、FALSE是否匹配。

str_detect 文章 >> 請點我

 

`str_count()` : 數量計算。

str_detect 文章 >> 請點我

 

` str_subset ()` : 取出匹配的文字組合。

str_subset  文章 >> 請點我

 

` str_locate ()`: 找出設定文字的位置。

str_locate 文章 >> 請點我

 

` str_extract ()` : 提取出匹配的文本(單一文字)。

 str_extract 文章 >> 請點我

` str_match ()` : 取出部分匹配文字

str_match 文章 >> 請點我

 

` str_replace ()` : 替換文字。

str_replace 文章 >> 請點我

 

` str_split ()` : 文字拆解。

str_split 文章 >> 請點我

 

stringr的函數結構上有一些相同的操作方式 :

1.      第一個參數為數據集

2.      第二個參數為需要修改的字符向量。

3.      支援pipes通道。

R Packages stringr - str_locate | R包stringr - str_locate

 

str_locate用處與str_subset、str_which很像，都是查找位置，有趣的是這幾個函數查找的結果與方式都不相同，str_subset取出符合的字串，str_which輸出符合的字串位置，str_locate則是輸出準確位置

基本語法

str_locate(dataset$string, 查找的字元或字串)

str_locate_all(dataset$string, 查找的字元或字串)

有幾點要注意一下

• 小寫與大寫判斷為不同字元，需要完全確定大小寫
• 進行搜尋時" "與"[ ]"定義上與其他函數不同
• 重複的結果並不會全部返回，除非使用str_locate_all函數

創個數據集先

# 建立數據集

stringr_df <- tibble(

    weekday = c("Sunday", "Monday", "Tuesday", "Wednesday",

    "Thursday", "Friday", "Saturday")

    )

# 輸出結果

r$> stringr_df # A tibble: 7 x 1 weekday <chr> 1 Sunday 2 Monday 3 Tuesday 4 Wednesday 5 Thursday 6 Friday 7 Saturday

查找"day"，可以看到day在第一個字符串中從4開始6結束

# 查找day

str_locate(stringr_df$weekday, "day")

# 輸出結果

r$> str_locate(str

ingr_df$weekday, "day") start end [1,] 4 6 [2,] 4 6 [3,] 5 7 [4,] 7 9 [5,] 6 8 [6,] 4 6 [7,] 6 8

如果使用模糊查找或是字元的方式呢?結果與其他函數不同，使用[]查找的結果只有進行"d"的搜尋就返回了，字元查找以"e"去搜尋，Wednesday應該是2, 5，但返回的是2, 2，表示搜尋返回的部分若重複的話只有返回第一個搜尋結果

# 用[ ]查找day

str_locate(stringr_df$weekday, "[day]")

# 輸出結果

r$> str_locate(stringr_df$weekday, "[day]") start end [1,] 4 4 [2,] 4 4 [3,] 5 5 [4,] 3 3 [5,] 6 6 [6,] 4 4 [7,] 2 2

# 查找"e"

str_locate(stringr_df$weekday, "e")

# 輸出結果

r$> str_locate(stringr_df$weekday, "e") start end [1,] NA NA [2,] NA NA [3,] 3 3 [4,] 2 2 [5,] NA NA [6,] NA NA [7,] NA NA

使用str_locate_all進行查找，會將重複的進行位置查找後輸出

# 查找"e"

str_locate_all(stringr_df$weekday, "e")

# 輸出結果

r$> str_locate_all(stringr_df$weekday, "e") [[1]] start end [[2]] start end [[3]] start end [1,] 3 3 [[4]] start end [1,] 2 2 [2,] 5 5 [[5]] start end [[6]] start end [[7]] start end

R Packages stringr – str_count | R包 stringr – str_count

 

str_count用來計算出現的頻率，可以檢查單一字元或字串，以下就來進行簡單的操作

 

基本語法

str_count(dataset$string, 檢查的字元或字串)

有幾點要注意一下

• " "    >> 準確查找，也就是AND，完全符合才行
• "[ ]" >> 模糊查找，也就是OR，部分符合即可
• 小寫與大寫判斷為不同字元，需要完全確定大小寫

建立字串數據框用來計算

# 建立數據框

tringr_df <- tibble(

    weekday = c("Sunday", "Monday", "Tuesday", "Wednesday",

    "Thursday", "Friday", "Saturday")

    )

# 輸出結果

r$> stringr_df # A tibble: 7 x 1 weekday <chr> 1 Sunday 2 Monday 3 Tuesday 4 Wednesday 5 Thursday 6 Friday 7 Saturday

來計算字元出現的次數

# 檢查"d"在各字串出現的數量

str_count(stringr_df$weekday, "d")

# 輸出結果

r$> str_count(stringr_df$weekday, "d") [1] 1 1 1 2 1 1 1

注意的是計算時的規則與str_detect相同，單純使用" "則為AND，使用範圍[ ]則是OR，以下進行測試，先以不連續字串進行計算，不連續字串"ry"時一開始計算為0，計算方式是將"ry"作為一整個計算項目，若是範圍則是只要單一字元出現就計算一次

# 以不連續字串"ry"計算

str_count(stringr_df$weekday, "ry")

# 輸出結果

r$> str_count(stringr_df$weekday, "ry") [1] 0 0 0 0 0 0 0

# 以不連續字串"[ry]"計算

str_count(stringr_df$weekday, "[ry]")

# 輸出結果

r$> str_count(stringr_df$weekday, "[ry]") [1] 1 1 1 1 2 2 2

連續字串進行計算

# 以連續字串"day"計算

str_count(stringr_df$weekday, "day")

# 輸出結果

r$> str_count(stringr_df$weekday, "day") [1] 1 1 1 1 1 1 1

# 以連續字串"[day]"計算

str_count(stringr_df$weekday, "[day]")

# 輸出結果

r$> str_count(stringr_df$weekday, "[day]") [1] 3 3 3 4 3 3 4

R Packages stringr - str_detect | R包stringr - str_detect

 

str_detect用來檢測字串中是否存在要檢查的項目，可以檢查單一字元、字串，也支援正則表達式，需要注意的是檢查的項目有存在大小寫之分，檢查的結果只以TRUE、FALSE，所以實用性上來說並不是太大。

基本語法

str_detect(dataset$string, 檢查的字元或字串)

可用參數

negate = FALSE，預設FALSE，若為TRUE，則返回相反的檢查結果

有幾點要注意一下

• " "    >> 準確查找，也就是AND，完全符合才行
• "[ ]" >> 模糊查找，也就是OR，部分符合即可
• 小寫與大寫判斷為不同字元，需要完全確定大小寫

建立一個字串的數據框

# 建立數據框

stringr_df <- tibble(

    weekday = c("Sunday", "Monday", "Tuesday", "Wednesday",

    "Thursday", "Friday", "Saturday")

    )

# 看一下數據框的內容

r$> stringr_df # A tibble: 7 x 1 weekday <chr> 1 Sunday 2 Monday 3 Tuesday 4 Wednesday 5 Thursday 6 Friday 7 Saturday

檢查是否存在"t" >> 只有周六有小寫的t，大寫的無法檢測，加入參數設定TRUE檢查除了t以外的字元

# 檢查各自串是否存在"t"

str_detect(stringr_df$weekday, "t")

# 輸出結果

r$> str_detect(stringr_df$weekday, "t") [1] FALSE FALSE FALSE FALSE FALSE FALSE TRUE

# 檢查各自串是否存在"t"以外的字元

str_detect(stringr_df$weekday, "t", negate = TRUE)

# 輸出結果

r$> str_detect(stringr_df$weekday, "t", negate = TRUE) [1] TRUE TRUE TRUE TRUE TRUE TRUE FALSE

接下來就需要比較注意，檢測是有區分範圍的，只以" "包圍的字串，檢測的條件為AND，若是以[ ]檢測，檢測的方式則為OR

# 檢查是否存在這三個字元

str_detect(stringr_df$weekday, "riy")

# 輸出結果 >> 全部都為FALSE

r$> str_detect(stringr_df$weekday, "riy") [1] FALSE FALSE FALSE FALSE FALSE FALSE FALSE

若是以OR的方式

# 檢查是否存在這三個字元

str_detect(stringr_df$weekday, "[riy]")

# 輸出結果 >> 只要任一個有符合即為TRUE

r$> str_detect(stringr_df$weekday, "[riy]") [1] TRUE TRUE TRUE TRUE TRUE TRUE TRUE

R Packages stringr - str_subset | R包stringr - str_subset

 

str_subset用於把有符合查詢的字元或字串整個提取出來，這個函數有一個相同功能的函數str_which，也是將符合查詢的字元或字串提取出來，不過提取的是位置，也就是輸出為數字，以下列出幾個例子供大家參考

基本語法

str_subset(dataset$string, 檢查的字元或字串)

str_which(dataset$string, 檢查的字元或字串)

可用參數

negate = TRUE，預設FALSE，設定為TRUE則返回相反結果

有幾點要注意一下

• " "    >> 準確查找，也就是AND，完全符合才行
• "[ ]" >> 模糊查找，也就是OR，部分符合即可
• 小寫與大寫判斷為不同字元，需要完全確定大小寫

設定一組包含NA的數據集

# 包含NA

stringr_df <- tibble(

    weekday = c("Sunday", "Monday", "Tuesday", "Wednesday",

    "Thursday", "Friday", NA,"Saturday")

    )

# 輸出結果

r$> stringr_df # A tibble: 8 x 1 weekday <chr> 1 Sunday 2 Monday 3 Tuesday 4 Wednesday 5 Thursday 6 Friday 7 NA 8 Saturday

透過str_subset與str_which進行查找，可以看到str_subset是將符合的整個提取，而str_which則是返回有"a"的字串位置，這裡有一點須注意，就是NA並不在查找範圍，所以不管事字串還是位置，都不會返回NA的結果

# 將有"a"的字串提取出來

str_subset(stringr_df$weekday, "a")

# 輸出結果

r$> str_subset(stringr_df$weekday, "a") [1] "Sunday" "Monday" "Tuesday" "Wednesday" "Thursday" "Friday" [7] "Saturday"

# 將有"a"的字串位置提取出來

str_which(stringr_df$weekday, "a")

# 輸出結果 >> 跳過NA的位置

r$> str_which(stringr_df$weekday, "a") [1] 1 2 3 4 5 6 8

查找的規則也與其他函數相同，" "進行AND(精確)查找，[ ]進行OR(模糊)查找，大小寫的查找也不相同。

# 精確查找包含"ab"的字串

str_subset(stringr_df$weekday, "ab")

# 輸出結果

r$> str_subset(stringr_df$weekday, "ab") character(0)

# 模糊查找有"ab"的字串

str_subset(stringr_df$weekday, "[ab]")

# 輸出結果

r$> str_subset(stringr_df$weekday, "[ab]") [1] "Sunday" "Monday" "Tuesday" "Wednesday" "Thursday" "Friday" [7] "Saturday"

# 精確查找包含"ab"的字串

str_which(stringr_df$weekday, "ab")

# 輸出結果

r$> str_which(stringr_df$weekday, "ab") integer(0)

# 模糊查找有"ab"的字串

str_which(stringr_df$weekday, "[ab]")

# 輸出結果

r$> str_which(stringr_df$weekday, "[ab]") [1] 1 2 3 4 5 6 8

加入參數設定為TRUE

# 精確查找不包含"ab"的字串

str_subset(stringr_df$weekday, "ab", negate = TRUE)

# 輸出結果

r$> str_subset(stringr_df$weekday, "ab", negate = TRUE) [1] "Sunday" "Monday" "Tuesday" "Wednesday" "Thursday" "Friday" [7] "Saturday"

# 精確查找不包含"ab"的字串

str_which(stringr_df$weekday, "ab", negate = TRUE)

# 輸出結果

r$> str_which(stringr_df$weekday, "ab", negate = TRUE) [1] 1 2 3 4 5 6 8