字符串 属于

关于 字符串

背景

字符串就是引号之间的一段文本。

mystring <- "some text"
mystring
#> [1] "some text"
typeof(mystring)
#> [1] "character"

遗憾的是，这些术语可能会让熟悉其他语言的程序员感到困惑。

尽管type是character，但 R 并不区分单个字母（在其他一些语言中称为char，但在 R 中_不是_）和很长的字符串。两者都是单个数据项，可以互换地放进单引号' '或双引号" "中。

风格指南建议使用双引号，除非你想在字符串内部使用双引号而不对它们进行转义。

str2 <- 'String with "quotes"'  # convenience format
str2
#> [1] "String with \"quotes\""    # standard format

因此，character vector就是由字符串组成的向量，其中每个字符串都是单个元素。

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

在上面的例子中，length(s[1])等价于length("some")：它给出的是_向量元素_的个数，而不是_字符串长度_。

操作单个字符串显然是可行的，就像上面例子中的nchar()那样，但这需要一些专门的函数，我们会在下面讨论。

转义

正如上面看到的，有些标点字符需要加上反斜杠\，也就是进行“转义”。

对大多数有经验的程序员来说，这个列表不会让他们感到意外，因为这一主题在各种语言中已经相当标准化了。

除了引号（如上所示），这个列表还包括换行符\n、制表符\t、反斜杠\\，以及以\U或\u开头的 Unicode 符号。

为了避免使用大量转义字符，可以在r"( )"中定义原始字符串：

r"(raw "string")"
#> [1] "raw \"string\""

对于包含圆括号( )的原始字符串，还有许多其他的语法选项。

区域设置

目前所有受支持的 R 版本都用 UTF-8 对字符串进行编码，因此可以支持世界上大多数语言。

"आधुनिक मानक हिन्दी"
#> [1] "आधुनिक मानक हिन्दी"

此外，许多 R 函数会感知locale，并尽量遵循本地的约定来进行字符串排序、大小写转换、日期和时间处理等。

本教学大纲主要会以美式英语为例：一方面因为它是常见的默认设置，另一方面也因为大纲作者恰好居住在美国。

区域设置是一个复杂的主题，所以请针对你自己的情况查找相关文档。

字符串函数

在 base R 中，大多数事情都是_可以做到_的，但许多程序员觉得它对字符串操作的支持相当有限，而且让人困惑。

幸运的是，tidyverse系列中有一些包要直观得多、灵活得多，而且前后一致。

Base R

现在仍有很多遗留代码在使用旧式的字符串函数。Exercism 上的大多数社区解答也是如此。

此外，对于小任务来说，使用内置函数而不是导入一个庞大的库可能更合适。R 赛道的维护者在编写示例解答、验证我们 GitHub 仓库 上的练习时，往往就采用这种做法。

因此，了解一些旧的做法仍然值得。

下面介绍的函数都以最简单的形式给出，但大多数还有可选的实参。详情请参阅文档。

nchar

返回字符串中的字符数。

nchar("string")
#> [1] 6

nchar("Hrōðgār") # a person in Beowulf, written in Old English
#> [1] 7

“字符”到底指什么，这个（_相当复杂！_的）话题超出了本文的范围。只需注意上面例子中的两点：

• 虽然 R 内部的字符串是用 C 实现的，但它们并不以\0结尾（否则长度会多出 1）。
• 多字节的 Unicode 字符会按照你预期（或希望）的方式处理。“Hrōðgār”有 7 个字符（也叫“rune”或“码点”），但存储时需要 10 个字节。

传给nchar的内容要小心。对于非character的值，结果仍然可能难以预测，不过在较新的 R 版本中这一点已经有所改善。

grep

在字符串向量中搜索模式，返回匹配处的下标。

grep("Jav", c("Java", "Python", "Javascript"))
#> [1] 1 3

paste和paste0

把任意数量的字符串合并成一个字符串。

可以为paste指定一个可选的分隔符：默认是空格。

paste0(v)等价于paste(v, sep = "")。

paste("bits", "of", "a", "string")
#> [1] "bits of a string"
paste0("bits", "of", "a", "string")
#> [1] "bitsofastring"

sprintf

为了更精细地控制字符串的组装，R 从 C 那里照搬了sprintf函数（后来的一些语言也照搬了：维基百科列出了大约 30 种）。

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

可以用trimws()去掉开头和（或）结尾的空白字符：

s <- "    messy string   "
trimws(s)
#> [1] "messy string"

还有一个which = "left"（或 "right"）形参，可以只去掉一端。

substr

作用于单个字符串，返回两个（含端点）位置之间的子字符串。

substr("Exercism", 5, 7)
#> [1] "cis"

strsplit

根据一个分隔符字符串，把一个字符串拆分成 R 数组。 分隔符是必需的（没有默认值），但可以是空字符串。

strsplit("R, Python, Julia", ", ")
[[1]]
#> [1] "R"      "Python" "Julia" 

strsplit("Exercism", "")
[[1]]
#> [1] "E" "x" "e" "r" "c" "i" "s" "m"

数组会在单独的概念中介绍。如果你还没有学到教学大纲的那一部分，那么现在只需要知道，unlist()函数（在这个例子里）会把数组转换成向量。

unlist(strsplit("Exercism", ""))
#> [1] "E" "x" "e" "r" "c" "i" "s" "m"

regexpr和regexpr

这些函数的名字是“regular expression”（正则表达式）的缩写，它们在字符串中搜索模式出现的位置，返回一个（可能）有用的数据数组。提到它们只是为了完整：还有更好的选择！

regexpr只返回第一次出现的位置，gregexpr返回所有出现的位置（“g”表示“全局”搜索）。

顾名思义，模式可以是一个正则表达式，我们会在后面的概念中介绍。

Tidyverse

往好处想，我们可以说旧式的字符串函数并不是 R 能提供的最好的东西（也有不那么宽容的看法）。

为了改善这种状况，stringr库自 2009 年起就一直在开发中，如今已经是 Tidyverse 集合的重要组成部分。

用library(stringr)或library(tidyverse)把它导入你的命名空间。

一些主要特性包括：

• 所有函数名都带有str_前缀，并力求让用途一目了然。
• 实参的顺序力求保持一致，以输入数据作为第一个实参。
• 输入可以小到单个字符串，也可以大到复杂的数据结构。函数会尽量适应，并做出最合理的处理。

和所有 Tidyverse 包一样，stringr有完善的文档，通常由包的作者撰写。

• 一个参考网站
• 一份速查表
• “R for Data Science”中的一章。

stringr提供了几十个函数，它们往往有多种可选的实参。一开始这可能有点让人不知所措，所以文档就是你的好朋友。

想一想你想放进去什么（单个字符串？向量？还是更复杂的东西？），又想得到什么。

只要能找到正确的函数和正确的实参，你想要的任何事情大概都有简便的做法。

插叙：管道快速入门

用管道|>连接函数的用法，会在教学大纲的其他部分更详细地讨论。

现在，知道以下几点会很有用：

• 管道左侧的结果会成为右侧函数的第一个实参（这里的“右侧”不考虑可选的换行）。
• 其余的实参可以写在这个函数调用里。
• 在 R 中，我们必须把管道接到函数的_调用_上，而不只是_名字_上，所以括号总是必需的（这一点与其他一些语言不同）。

下面的例子演示了这种语法。各个函数会在后面讨论。

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"

处理长度

str_length统计码点数量（类似于nchars）。

还有各种其他函数用来处理空白字符，包括str_trim()和str_squish()。在任何数据科学项目开始时，这往往是一项至关重要的清理工作。

# 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"

截取子字符串

str_sub(string, start, end)函数会返回从start到end（含两端）的子字符串，而str_sub_all()可以作用于多个字符串。

用法非常灵活。start和end分别默认指向第一个和最后一个字符。它们可以是下标的向量。和向量索引不同，这里的负值会像 Python 那样从字符串末尾往回数，这一点很受欢迎。

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"

# str_sub_all takes vector input, gives list output
str_sub_all(c(s, "ijklmnop"), c(1, 4, 6), c(2, 5, -1))
[[1]]
#> [1] "ab"  "de"  "fgh"

[[2]]
#> [1] "ij"  "lm"  "nop"

拼接字符串

str_flatten会把字符向量转换成单个字符串。collapse实参会被插入到每个元素之间，默认值是""。

c("R", "Julia", "Python") |> str_flatten()
#> [1] "RJuliaPython"
c("R", "Julia", "Python") |> str_flatten(collapse = " - ")
#> [1] "R - Julia - Python"

str_c会把多个字符向量转换成一个字符向量，必要时进行循环补齐。

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"

str_glue把简单的字符串插值带到了 R 中。大括号{ }里的表达式会被求值，并替换成它的文本表示。

如果提供了多个表达式字符串，它们也会像str_flatten那样拼接起来。字符串还可以选择去掉开头和结尾的空白字符。

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

尽管str_glue很灵活（也相当复杂），但在它底层的glue库中还有更丰富的可能性。

拆分字符串

R 的一个非常常见的用途，是把杂乱的数据整理成分析所需的一致格式。为此，有几种把文本拆分成子字符串的方法。

str_split_1是最简单的，它把单个字符串按指定的模式拆分成由若干片段组成的向量（没有默认模式）。

s <- "R Julia Python"
str_split_1(s, " ")
#> [1] "R"      "Julia"  "Python"

str_split_i接受一个字符向量和一个下标n，返回由每个输入字符串的第n个子字符串组成的向量。

s2 <- c(s, "C Kotlin, F#")  #> [1] "R Julia Python" "C Kotlin, F#"
str_split_i(s2, " ", 2)  # 2nd element of each
#> [1] "Julia"   "Kotlin,"

str_split接受一个字符向量，返回由向量组成的数组。我们的教学大纲里有一个数组概念，其中解释了它的输出。

str_split(s2, " ")
[[1]]
#> [1] "R"      "Julia"  "Python"

[[2]]
#> [1] "C"       "Kotlin," "F#"     

还有str_split_fixed，它返回一个矩阵。矩阵会在后面的概念中介绍。

匹配字符串

要匹配整个字符串，str_equal()可以使用多种“相等”的定义。最简单的情况下，默认区分大小写，但可以修改。区域设置和 Unicode 会带来多得多的可能性。

str_equal("Odin", "odin")
#> [1] FALSE
str_equal("Odin", "odin", ignore_case = TRUE)
#> [1] TRUE

还有很多其他函数，我们会在正则表达式概念中更详细地讨论它们。

变换字符串

有些语言（主要是欧洲语言）区分大写字母和小写字母。stringr有一组函数可以按符合区域设置的方式在两者之间转换：

• str_to_lower()
• str_to_upper()
• str_to_title()：每个单词的首字母变成大写
• str_to_sentence()：句子的首字母变成大写

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"

若要根据模式匹配来替换子字符串，str_replace()会替换模式第一次出现的地方，str_replace_all()会替换所有出现的地方。

若要根据字符下标来替换子字符串，str_sub()还有一种赋值形式。

 s <- "abcde"
str_sub(s, 3, 4) <- "yz"
s
#> [1] "abyze"

其他

str_dup用来生成重复项，str_unique用来去除重复项。

默认情况下str_dup没有分隔符，但可以指定一个。

str_dup("xyz", 4, sep = ", ")
#> [1] "xyz, xyz, xyz, xyz"

str_unique是unique()的扩展。两者都会从向量中去除重复的条目，但stringr的函数还能处理大小写敏感以及各种与区域设置相关的匹配。

inp <- c("some", "strings", "Some", "Strings")
str_unique(inp)
#> [1] "some"    "strings" "Some"    "Strings"
str_unique(inp, ignore_case = TRUE)
#> [1] "some"    "strings"