Háttér
A string idézőjelek közé zárt szövegrész.
Az R minden jelenleg támogatott verziója UTF-8-ban kódolja a stringeket, így a világ nyelveinek többsége támogatható.
mystring <- "some text"
mystring
#> [1] "some text"
typeof(mystring)
#> [1] "character"
Sajnos a terminológia zavaró lehet azoknak a programozóknak, akik más nyelveket ismernek.
Bár a type értéke character, az R nem tesz különbséget egyetlen betű (amit több más nyelvben char-nak hívnak, de R-ben nem) és egy hosszú string között.
Mindkettő egyetlen elem, és felváltva állhat aposztrófok ' ' vagy idézőjelek " " között.
A stílusútmutató a kettős idézőjelek használatát javasolja, kivéve, ha kettős idézőjelet szeretnél a stringen belül elhelyezni anélkül, hogy escape-elned kellene őket.
str2 <- 'String with "quotes"' # convenience format
str2
#> [1] "String with \"quotes\"" # standard format
A character vector tehát stringek vektora, ahol minden string egyetlen elem.
s <- c("some", "strings")
s
#> [1] "some" "strings"
length(s)
#> [1] 2
length(s[1]) # the number of vector elements, not the string length
#> [1] 1
nchar(s[1]) # the number of characters in the string "some"
#> [1] 4
A fenti példában a length(s[1]) ugyanaz, mint a length("some"): a vektorelemek számát adja meg, nem a string hosszát.
Egy-egy string módosítása természetesen lehetséges, ahogy a fenti példában a nchar() is mutatja, de ehhez speciális függvények kellenek, amelyeket alább tárgyalunk.
Stringfüggvények
A base R-ben szinte minden lehetséges, de sok programozó szerint a stringkezelés támogatása meglehetősen korlátozott és zavaró.
Szerencsére vannak tidyverse csomagok, amelyek sokkal intuitívabbak, rugalmasabbak és önmagukban konzisztensebbek.
Base R
Még mindig sok régi kód használ régi stílusú stringfüggvényeket.
Ide tartozik az Exercism közösségi megoldásainak nagy része is.
Ráadásul kis feladatoknál hasznos lehet a beépített függvények használata egy nagy csomag importálása helyett.
Az R-kurzus karbantartói jellemzően ezt a megközelítést választják, amikor mintamegoldásokat írnak a feladatok ellenőrzéséhez.
Ezért érdemes megismerkedni a régi megközelítésekkel is.
nchar
Egy string karaktereinek számát adja vissza.
nchar("string")
#> [1] 6
nchar("Hrōðgār") # a person in Beowulf, written in Old English
#> [1] 7
Az, hogy mit is jelent pontosan a »karakter«, (bonyolult!) téma, és meghaladja ennek az anyagnak a kereteit.
Csak jegyezz meg néhány dolgot a fenti példákból:
- Bár belül C-ben vannak megvalósítva, az R stringjei nem
\0-termináltak (ami 1-gyel növelné a hosszukat).
- A több bájtos Unicode-karaktereket úgy kezeli, ahogy várnád/remélnéd. A »Hrōðgār« 7 karakterből áll (más néven »rúna« vagy »kódpont«), de a tároláshoz 10 bájtra van szükség.
paste és paste0
Tetszőleges számú stringet fűz össze egyetlen stringgé.
A paste esetében opcionálisan megadható egy elválasztó: az alapértéke egy szóköz.
A paste0(v) ugyanaz, mint a paste(v, sep = "").
paste("bits", "of", "a", "string")
#> [1] "bits of a string"
paste0("bits", "of", "a", "string")
#> [1] "bitsofastring"
sprintf
A stringek összeállításának finomabb szabályozásához az R a C-ből vette át a sprintf függvényt (és több későbbi nyelv is: a Wikipédia mintegy 30-at sorol fel).
r <- 5.3
pi <- 3.14159
sprintf("A circle of radius %.1f has area %.2f", r, pi * r^2)
#> [1] "A circle of radius 5.3 has area 88.25"
trimws
A kezdő és/vagy záró whitespace eltávolítható a trimws() függvénnyel:
s <- " messy string "
trimws(s)
#> [1] "messy string"
Van egy which = "left" (vagy „right”) paraméter, amellyel elkerülhető mindkét vég levágása.
substr
Egyetlen stringen működik, és visszaadja a két határ közötti részstringet (a határokat is beleértve).
substr("Exercism", 5, 7)
#> [1] "cis"
strsplit
Egy stringet R listává bont szét egy elválasztó string alapján.
Az elválasztó megadása kötelező (nincs alapértéke), de lehet üres string is.
strsplit("R, Python, Julia", ", ")
[[1]]
#> [1] "R" "Python" "Julia"
strsplit("Exercism", "")
[[1]]
#> [1] "E" "x" "e" "r" "c" "i" "s" "m"
A listákról egy külön fogalom szól majd.
Ha még nem jutottál el a tantervnek ahhoz a részéhez, egyelőre elég annyit tudnod, hogy az unlist() függvény (ebben az esetben) listát alakít vektorrá.
unlist(strsplit("Exercism", ""))
#> [1] "E" "x" "e" "r" "c" "i" "s" "m"
Tidyverse
Ha jóindulattal akarunk fogalmazni, azt mondhatjuk, hogy a régi stílusú stringfüggvények nem az R legjobbjai (kevésbé jóindulatú vélemények is léteznek).
A helyzet javítására a stringr csomag 2009 óta fejlődik, és mára a Tidyverse gyűjtemény kulcsfontosságú része.
Töltsd be a névtérbe a library(stringr) vagy a library(tidyverse) hívással.
Néhány fontos jellemzője:
- Minden függvénynév
str_ előtaggal kezdődik, és igyekszik világossá tenni a célját.
- Az argumentumok sorrendje igyekszik következetes lenni, a bemeneti adat az első argumentum.
- A bemenet lehet egyetlen string vagy összetett adatszerkezet is. A függvények alkalmazkodnak, és a lehető legészszerűbben viselkednek.
Mint minden Tidyverse-csomagnak, a stringr-nek is jó dokumentációja van, amelyet jellemzően a csomag szerzője (szerzői) írt.
Kitérő: gyors bevezetés a pipe-okba
A függvények összekapcsolására szolgáló |> pipe-okról a tanterv más részein lesz szó részletesebben.
Egyelőre ennyit érdemes tudni:
- A pipe bal oldalán lévő eredmény lesz a jobb oldali függvény első argumentuma (a »jobb oldali« itt az opcionális sortöréseket figyelmen kívül hagyja).
- A fennmaradó argumentumokat a függvényhívásban adhatod meg.
- Az R-ben egy függvény_hívásra_ kell pipe-olni, nem csupán egy névre, ezért a zárójelek mindig kötelezők (ez más nyelvekben másképp van).
Az alábbi példa szemlélteti a szintaxist.
Az egyes függvényeket később tárgyaljuk.
library(stringr)
"Monday-25-February" |>
str_split("-") |>
unlist() |> # [1] "Monday" "25" "February"
str_sub(1, 3) |> # [1] "Mon" "25" "Feb"
str_to_upper() |> # [1] "MON" "25" "FEB"
str_flatten(collapse = ", ")
#> [1] "MON, 25, FEB"
Hosszúságok kezelése
A str_length kódpontokat számol (hasonlóan az nchars-hoz).
Több más függvény is foglalkozik a whitespace-szel, például a str_trim() és a str_squish().
Ez gyakran nélkülözhetetlen tisztítási feladat bármely adatelemzési projekt elején.
# The first 3 kernels in JuPyteR notebooks:
str_length(c("Julia", "Python", "R")) #> [1] 1 6 5
#> [1] 5 6 1
str_pad(c("Julia", "Python", "R"), 8, "right") # add spaces if necessary
#> [1] "Julia " "Python " "R "
str_trim("Julia Python R ") # remove leading & trailing whitespace
#> [1] "Julia Python R"
str_squish("Julia Python R ") # trim, collapse multiple spaces
#> [1] "Julia Python R"
Részstringek kiválasztása
A str_sub(string, start, end) függvény a start-tól end-ig (a határokat is beleértve) visszaadja a részstringet, míg a str_sub_all() több stringen is működhet.
Nagy a rugalmasság.
A start és az end alapértéke az első, illetve az utolsó karakter.
Lehetnek indexek vektorai is.
Kellemes ellentétben a vektorindexeléssel, a negatív értékek a string végétől számolódnak visszafelé, a Python mintájára.
s <- "abcdefgh"
str_sub(s, 2, 4)
#> [1] "bcd"
str_sub(s, 5)
#> [1] "efgh"
str_sub(s, -3, -2)
#> [1] "fg"
str_sub(s, c(1, 4), c(2, 5))
#> [1] "ab" "de"
str_sub(s, c(1, 4, 6), c(2, 5, -1))
#> [1] "ab" "de" "fgh"
s |> str_sub(2, 4) # these functions are designed for pipes
#> [1] "bcd"
Stringek összefűzése
A str_flatten egy karaktervektort alakít egyetlen stringgé.
A collapse argumentum minden elem közé bekerül, alapértéke pedig "".
c("R", "Julia", "Python") |> str_flatten()
#> [1] "RJuliaPython"
c("R", "Julia", "Python") |> str_flatten(collapse = " - ")
#> [1] "R - Julia - Python"
A str_c több karaktervektort alakít egyetlen karaktervektorrá, szükség szerinti újrahasznosítással.
str_c(LETTERS[1:8], 1:8, sep = ":")
#> [1] "A:1" "B:2" "C:3" "D:4" "E:5" "F:6" "G:7" "H:8"
A str_glue egyszerű string-interpolációt hoz az R-be.
A kapcsos zárójelek { } közötti kifejezések kiértékelődnek, és a szöveges megjelenítésük kerül a helyükre.
r <- 5.3
pi <- 3.14159
str_glue("A circle of radius {r} has area {pi * r^2}")
A circle of radius 5.3 has area 88.2472631
Stringek felbontása
Az R igen gyakori felhasználási módja a rendszertelen adatok egységes formátumra alakítása elemzéshez.
Ezt segítendő többféle módon bonthatunk szöveget részstringekre.
A legtöbbjük túlmutat a jelenlegi kereteken.
A str_split_1 a legegyszerűbb: egyetlen stringet alakít darabok vektorává, egy megadott minta mentén felbontva (nincs alapértelmezett minta).
s <- "R Julia Python"
str_split_1(s, " ")
#> [1] "R" "Julia" "Python"
Stringek módosítása
Egyes nyelvek (főként az európaiak) megkülönböztetik a NAGY- és a kisbetűket.
A stringr függvénykészlete ezek átalakítására szolgál, a területi beállításnak megfelelő módon:
str_to_lower()str_to_upper()-
str_to_title() : minden szó első betűje nagybetű
-
str_to_sentence() : a mondat első betűje nagybetű
str_to_upper("elixir") # defaults to locale = "en"
#> [1] "ELIXIR"
str_to_upper("ελληνικά") # infers Greek
#> [1] "ΕΛΛΗΝΙΚΆ"
str_to_title("the cat sat on the mat")
#> [1] "The Cat Sat On The Mat"
str_to_sentence("the cat sat on the mat")
#> [1] "The cat sat on the mat"
Mintára illeszkedő részstringek cseréjére a str_replace() a minta első előfordulását cseréli, a str_replace_all() pedig az összeset.
A karakterindexen alapuló részstringcseréhez a str_sub() értékadó változata használható.
s <- "abcde"
str_sub(s, 3, 4) <- "yz"
s
#> [1] "abyze"
Tanulófeladat
