正規表示式 在

關於 正規表示式

正規表達式是一種用途極為廣泛的方式，能對字串進行_模式比對_，它使用的是一套專為此目的設計的領域特定語言（DSL）。

許多正規表達式功能已內建於 Base R，你可能會在較舊的程式碼中看到相關範例。

若是新程式碼，_強烈_建議使用 stringr 函式庫。

如同字串概念所述，stringr 有完善的文件，通常由套件作者親自撰寫。

• 一個參考網站
• 一份速查表。
• 「R for Data Science」中的字串章節與正規表達式章節。

在 Strings 概念中已經討論過的許多函式，本來就是為了正規表達式搜尋而設計的。

我們在字串概念中刻意保持簡單，只比對字串常值，但其實任何正規表達式模式都可以改用。

嚴格來說，在 R 中建立正規表達式的方式是呼叫 regex()。 為了方便起見，stringr 的函式會把任何模式字串都當成正規表達式處理。 在下面的範例中，第一個 str_replace_all() 是第二種寫法的語法糖：

input <- "Some input string"

# "\\s" matches any whitespace character
input |> str_replace_all("\\s", "_")
[1] "Some_input_string"

input |> str_replace_all(regex("\\s"), "_")
[1] "Some_input_string"

速查表是實用的指南：所有帶有 pattern 引數的函式（以紅色標示）都接受正規表達式，第 2 頁則整理了正規表達式的語法。

請注意，如果你需要覆寫預設值，例如大小寫敏感度或地區設定，regex() 函式仍然很重要。

# default is case sensitive
"A Mixed Assortment" |> 
    str_replace_all(regex("[aeiou]", ignore_case = TRUE), "*")
#> [1] "* M*x*d *ss*rtm*nt"

許多正規表達式的寫法都含有反斜線，例如上面用到的 \s。 在一般的 R 字串中，\ 必須用兩個反斜線來跳脫，因此寫成 "\\s"。

反斜線很容易愈用愈多、變得混亂，所以在複雜的情況下改用原始字串可能會很有幫助。

預設用來定義原始字串的語法是 r"( )"，但也允許使用其他分隔符號。 由於小括號 ( ) 和方括號 [ ] 在正規表達式語法中都很常見（用於擷取群組和選項群組），大括號 { } 可能是個不錯的選擇。

input |> str_replace_all(r"{\s\w}", "__")
#> [1] "Some__nput__tring"

偵測是否符合

以下列出幾個問題，以及能幫助你回答它們的函式。

有些範例使用 fruit，這是 stringr 內含、供練習用的向量，包含 80 個水果名稱。

字串中是否含有相符的內容？ 用 str_detect()，或用 str_starts()、str_ends() 來避免使用 ^ 或 $ 錨點。

# berries begining with b
fruit |> str_detect("^b.*berry") |> head(15)
#> [1] FALSE FALSE FALSE FALSE FALSE  TRUE  TRUE FALSE FALSE  TRUE  TRUE FALSE FALSE FALSE FALSE

# alternative syntax
fruit |> str_starts("b.*berry") |> head(15)
#> [1] FALSE FALSE FALSE FALSE FALSE  TRUE  TRUE FALSE FALSE  TRUE  TRUE FALSE FALSE FALSE FALSE

只回傳含有相符內容的字串？ 用 str_subset() 取得字串，用 str_which() 取得索引。

fruit |> str_subset("a...e")
[1] "apple"       "blackberry"  "mandarine"   "nectarine"   "pineapple"   "pomegranate" "raspberry"   "salal berry"
> fruit |> str_which("a...e")
[1]  1  7 48 51 62 64 70 73

每個字串中有多少個相符項目？ 用 str_count()

# count vowels
fruit |> str_count("[aeiou]") |> head(10)
#> [1] 2 3 4 3 3 2 2 3 5 3

相符的位置在哪裡？ 互動使用時用 str_view()，一般情況則用 str_locate() 或 str_locate_all()。

# str_view only shows matching elements, with match in < > delimiters
fruit |> str_view("a...e")
 [1] │ <apple>
 [7] │ bl<ackbe>rry
[48] │ mand<arine>
[51] │ nect<arine>
[62] │ pine<apple>
[64] │ pomegr<anate>
[70] │ r<aspbe>rry
[73] │ sal<al be>rry

# str_locate returns all elements
fruit |> str_locate("a...e") |> head(10)
      start end
 [1,]     1   5
 [2,]    NA  NA
 [3,]    NA  NA
 [4,]    NA  NA
 [5,]    NA  NA
 [6,]    NA  NA
 [7,]     3   7
 [8,]    NA  NA
 [9,]    NA  NA
[10,]    NA  NA

擷取

我們通常會想知道_什麼_內容相符。 做法是在正規表達式中用小括號加入擷取群組。

可以在同一個正規表達式中用 \1、\2 等反向參照先前的擷取結果。 例如，找出重複的字母對：

fruit |> str_subset("(..)\\1")
[1] "banana"      "coconut"     "cucumber"    "jujube"      "papaya"      "salal berry"

用類似的語法，擷取結果也可以用在取代字串中：

# double to triple
fruit |> 
  str_subset("(..)\\1") |> 
  str_replace("(..)\\1", "\\1\\1\\1")
[1] "bananana"      "cococonut"     "cucucumber"    "jujujube"      "papapaya"      "salalal berry"

若要收集相符結果以便後續處理，只想取第一個相符項時用 str_match() 函式，要取全部相符項時則用 str_match_all()。

擷取群組在任何語言中都往往會產生複雜的輸出。 R 的做法（而且還額外具備向量化，算是另一項挑戰）是用 str_match() 產生一個矩陣，每個輸入字串佔一列，第 1 欄包含完整的相符字串，其餘各欄則包含各個擷取群組。

使用具名群組有好處，因為它們會成為結果矩陣的欄名。

recipe <- "dissolve 25g sugar in 200ml water"
recipe |> str_match("(\\d+g) .* (\\d+ml)")
     [,1]                 [,2]  [,3]   
[1,] "25g sugar in 200ml" "25g" "200ml"

# use named capture groups
recipe |> str_match("(?<wt>\\d+g) .* (?<vol>\\d+ml)")
                          wt    vol    
[1,] "25g sugar in 200ml" "25g" "200ml"

這份課程大綱中還沒怎麼提到矩陣，不過你可以參考一份概念文件。 矩陣雖然長久以來都是 Base R 的一部分，卻不太能融入 Tidyverse 生態系。

簡單來說：把矩陣想成帶有 2 個索引的向量，順序是 [rows, cols]。 任一個索引留空，就會取得整列或整欄。

當用 m[r,] 取得單一列 r，或用 m[, c] 取得單一欄 c 時，回傳的值預設會被攤平成向量。

> amounts <- recipe |> str_match("(?<wt>\\d+g) .* (?<vol>\\d+ml)")

# get all of row 1, as a named vector
> amt1 <- amounts[1,]
> amt1
                                       wt                  vol 
"25g sugar in 200ml"                "25g"              "200ml" 

# get a vector element
amt1["wt"] |> unname()
[1] "25g"

想當然，str_match_all() 產生的輸出結構會更複雜：

• 結果是一個清單，每個輸入字串對應一個元素。
• 如果只有一個輸入字串，就用 [[1]] 索引把輸出從清單中取出，做法如清單概念所述。
• 每個元素都是一個矩陣，欄的配置與 match() 相同。
• 矩陣中的每一列都是一次成功的擷取。

mix <- "Mix 200g of sugar, 180g of flour and 150g of butter"

# raw output
> str_match_all(mix, "(\\d+)g")
[[1]]
     [,1]   [,2] 
[1,] "200g" "200"
[2,] "180g" "180"
[3,] "150g" "150"

# we just want the first list element
> str_match_all(mix, "(\\d+)g")[[1]]
     [,1]   [,2] 
[1,] "200g" "200"
[2,] "180g" "180"
[3,] "150g" "150"

# captures are in column 2, so get that as a vector
> str_match_all(mix, "(\\d+)g")[[1]][,2]
[1] "200" "180" "150"

當然，比對也可能失敗。 這時結果會是特殊值 NA。 要準備好檢查這種情況，做法如空無概念所述。

# failed match
recipe |> str_match("(not here)")
     [,1] [,2]
[1,] NA   NA