在 R 中处理文本

R 编程语言用于统计计算，并被许多数据挖掘者和统计学家用于开发统计软件和数据分析。它包括机器学习算法、线性回归、时间序列、统计推断等等。 R 及其库实现了多种统计和图形技术，包括线性和非线性建模、经典、统计测试、时间序列分析、分类、聚类等。

写在双引号内的任何值都被视为 R 中的字符串。字符串是字符数组，这些字符集合存储在变量中。 R 在内部将每个字符串存储在双引号内，即使您使用单引号创建它们也是如此。

R – 处理文本

可以通过以下方式完成：

• 在 R 中使用内置类型
• 使用 Tidyverse 模块
• 使用正则表达式和外部模块
• 使用 grep()

方法一：使用内置类型

在此方法中，我们使用内置类型进行文本处理。

Variable_name <- "String"

例子：

R

# R program to demonstrate
# creation of a string
a < -"hello world" print(a)

输出：

"hello world"

以下是使用字符串时需要遵循的规则列表：

• 字符串开头和结尾的引号应该都是双引号或都是单引号。它们不能混合。
• 双引号可以插入到以单引号开头和结尾的字符串中。
• 单引号可以插入到以双引号开头和结尾的字符串中。

字符串操作

字符串操作是要求用户处理给定字符串并使用/更改其数据的过程。 R中有不同的方法来操作字符串，如下所示：

• 字符串连接 - paste()函数：此函数用于在 R 中组合字符串。它可以将 n 个参数组合在一起。

Syntax: paste(….,  sep = ” “,  collapse =NULL )

Parameters: 

• …..: It is used to pass n no of arguments to combine together.
• sep: It is used to represent the separator between the arguments. It is optional.
• collapse: It is used to remove the space between 2 strings, But not space within two words in one string.

例子：

R

# concatenate two strings
str1 <- "hello" 
str2 <- "how are you?" 
print(paste(str1, str2, sep = " ", collapse = "NULL"))

输出：

"hello how are you?"

• 格式化数字和字符串- format()函数：此函数用于以指定的样式格式化字符串和数字。

Syntax: format(x, digits, nsmall, scientific, width, justify = c(“left”, “right”, “centre”, “none”)) 

Parameters:

• x is the vector input.
• digits here is the total number of digits displayed.
• nsmall is the minimum number of digits to the right of the decimal point.
• scientific is set to TRUE to display scientific notation.
• width indicates the minimum width to be displayed by padding blanks in the beginning.
• justify is the display of the string to left, right, or center.

例子：

R

# formatting numbers and strings
  
# Total number of digits displayed.
# Last digit rounded off.
result < - format(69.145656789, digits=9)
print(result)
  
# Display numbers in scientific notation.
result < - format(c(3, 132.84521),
                  scientific=TRUE)
print(result)
  
# The minimum number of digits
# to the right of the decimal point.
result < - format(96.47, nsmall=5)
print(result)
  
# Format treats everything as a string.
result < - format(8)
print(result)
  
# Numbers are padded with blank
# in the beginning for width.
result < - format(67.7, width=6)
print(result)
  
# Left justify strings.
result < - format("Hello", width=8,
                  justify="l")
print(result)

输出：

[1] "69.1456568"
[1] "3.000000e+00" "1.328452e+02"
[1] "96.47000"
[1] "8"
[1] "  67.7"
[1] "Hello   "

• 统计字符串中的字符数——nchar()函数：该函数用于统计字符串中的字符数和空格数。

Syntax: nchar(x)

Parameter: 

• x is the vector input here.

例子：

R

# to count the number of characters
# in the string
a <- nchar("hello world")
print(a)

输出：

[1] 11

• 更改字符串的大小写 - toupper() & tolower()函数：这些函数用于更改字符串的大小写。

Syntax: toupper(x) and tolower(x)

Parameter:

• x is the vector input

例子：

R

# Changing to Upper case.
a <- toupper("hello world")
print(a)
  
# Changing to lower case.
b <- tolower("HELLO WORLD")
print(b)

输出：

"HELLO WORLD"
"hello world"

• 提取部分字符串– substring()函数：此函数用于提取部分字符串。

Syntax: substring(x, first, last)

Parameters: 

• x is the character vector input.
• first is the position of the first character to be extracted.
• last is the position of the last character to be extracted.

例子：

R

# Extract characters from 1th to 3rd position.
c <- substring("Programming", 1, 3)
print(c)

输出：

"Pro"

方法二：使用 Tidyverse 模块

在这种方法中，我们将使用 Tidyverse 模块，该模块包括数据科学工作流程中所需的所有包，从数据探索到数据可视化。 stringr 是一个库，具有许多用于数据清理和数据准备任务的功能。它还设计用于处理字符串，并具有许多使此过程变得简单的功能。

我们正在使用此文本进行处理：

R

string <- c("WelcometoGeeksforgeeks!")

示例 1：检测字符串

在本例中，我们将使用str_detect()方法检测字符串。

Syntax: str_detect( string, “text in string”)

Parameters:

• String is the vector input

R

library(tidyverse)
  
str_detect(string, "geeks")

输出：

TRUE

示例 2：定位字符串

在本例中，我们将使用str_locate()方法检测字符串。

Syntax: str_locate( string, “text in string”)

Parameters:

• String is the vector input

R

library(tidyverse)
  
str_locate(string, "geeks")

输出：

start end
18 22

示例 3：提取字符串

在本例中，我们将使用str_extract()方法检测字符串。

Syntax: str_extract( string, “text in string”)

Parameters:

• String is the vector input

R

library(tidyverse)
  
str_extract(string, "for")

输出：

for

示例 4：替换字符串

在本例中，我们将使用str_replace()方法检测字符串。

Syntax: str_replace( string, “text in string”)

Parameters:

• String is the vector input

R

library(tidyverse)
  
str_replace(string, "toGeeksforgeeks", " geeks")

输出：

'Welcome geeks!'

方法3：使用正则表达式和外部模块

在这种方法中，我们使用了像 stringr 这样的外部模块的正则表达式。

示例 1：使用点选择字符

在这里，我们将使用点 (.) 来选择字符中的字符串。

R

string <- c("WelcometoGeeksforgeeks!")
  
str_extract_all(string, "G..k")

输出：

Geek

示例 2：使用 \\D 选择字符串

\\D 用于选择正则表达式中的任何字符和数字。

R

str_extract_all(string, "W\\D\\Dcome")

输出：

'Welcome'

方法 4：使用 grep()

grep()函数返回在向量中找到模式的索引。如果该模式多次出现，则返回出现的索引列表。这非常有用，因为它不仅告诉我们模式的出现，还告诉我们它在向量中的位置。

Syntax: grep(pattern, string, ignore.case=FALSE)

Parameters: 

• pattern: A regular expressions pattern.
• string: The character vector to be searched.
• ignore.case: Whether to ignore case in the search. Here ignore.case is an optional parameter as is set to FALSE by default.

示例 1：查找字符串中特定单词的所有实例。

R

str <- c("Hello", "hello", "hi", "hey")
grep('hey', str)

输出：

4

示例 2：查找字符串中特定单词的所有实例，不考虑大小写

R

str <- c("Hello", "hello", "hi", "hey")
grep('he', str, ignore.case ="True")

输出：

[1] 1 2 4