前段时间终于结束了一些事情，一个月来没好好坐下来看些资料了，接下来打算把之前计划的事情都一一完成下，先从stringr包开始，这个R语言的工具包值得做些笔记以便平时自己的查询及使用（记性不太好），可以提高不少处理数据的效率
stringr包有众多处理字符串的函数，一般都是以str_开头命名，非常好理解和记忆；相对一些相同功能的基础函数，其更加高效及便捷 下面以官方文档https://cran.r-project.org/web/packages/stringr/vignettes/stringr.html以及一些网上教程做个简单的整理
字符串处理
获取字符串长度str_length()，对应的基础函数是nchar()
str_length("abc")
[1] 3截取字符串str_sub()，对应的基础函数是substr()，常见的如下：
x <- c("abcdef", "ghifjk")
str_sub(x, 3, 3)
[1] "c" "i"而我们也可用其来修改字符串，如果是赋值NA则需加上omit_na = TRUE参数（不然输出值均为NA了）
x1 <- x2 <- x3 <- c("abcdef", "ghifjk")
str_sub(x1, 3, 3) <- "X"
x1
[1] "abXdef" "ghXfjk"
str_sub(x2, 2, 2) <- NA
x2
[1] NA NA
str_sub(x3, 2, 2, omit_na = TRUE) <- NA
x3
[1] "abcdef" "ghifjk"赋值字符串str_dup()，对应的基础函数应该是rep()加上paste()，但str_dup()更加好用，如：
str_dup("abc", c(2, 3))
[1] "abcabc" "abcabcabc"字符串拼接str_c()，其参数与paste()一样，均有sep(把多个字符串拼接为一个大的字符串)以及collapse（把多个向量参数拼接为一个大的字符串），但对于NA的处理有点差别：paste会NA当做字符串'NA'，而str_c则需要先做一个NA的转化，如：
paste("a","b",NA,sep="")
[1] "abNA"
tr_c("a", "b", str_replace_na(NA))
[1] "abNA"字符串-空白的添加、删除及修改
对于whitespace的操作我不太常用，唯一用过的是截断长字符，用str_trunc()
x <- c("Short", "This is a long string")
str_trunc(x, 10)
[1] "Short" "This is..."添加空格使字符串变成固定长度str_pad()，默认是添加在左边；但其不会缩断字符串长度，尽管你参数设置小于字符串长度（PS.由于该特性，其与str_trunc()搭配使用可确保所有字符串有相同长度）
str_pad(c("aa", "bbccee"), 4)
[1] " aa" "bbccee"用str_trim()可实现与上述相反的功能-删除空白以及tab分隔符，默认也是两边均删除
str_trim(" abc ")
[1] "abc"用str_wrap()可实现长段文字段落化
字符串变换-大小写转化及排序
str_to_upper()及str_to_lower()可实现大写和小写的转化，对应的基础函数则是toupper()及tolower()
x <- "I like horses."
str_to_upper(x)
[1] "I LIKE HORSES."
str_to_lower(x)
[1] "i like horses."另外还有转化为标题（首字母大写）的str_to_title()
str_to_title(x)
[1] "I Like Horses."如果是非英文的则需设置local参数，以stringi::stri_locale_list()查看其可选项
str_order()和str_sort()对应基础函数order()和sort()，因此比较好理解，而且也支持local参数
str_conv()可支持字符串的编码转化，相见恨晚的函数，对于一些中文乱码的情况非常好用（尤其是window系统下）
字符串的正则匹配
正则匹配在常规数据处理过程中是一个必不可少的技能，这也是我喜欢用stringr包的重要原因，其对标的是基础函数grep()/grepl()/gregexpr()/sub()等
str_detect()判断是否匹配上，对应grepl()
x <- c("abcdef", "ghifjk")
str_detect(x, "a")
[1] TRUE FALSEstr_subset()返回匹配上的元素，对应grep()
str_subset(x, "abc")
[1] "abcdef"str_locate()返回匹配上字符串的位置，对应gregexpr()
str_locate(x, "cde")
start end
[1,] 3 5
[2,] NA NA有些stringr包的函数默认是返回第一次匹配的结果，如果要返回所有匹配的，需要加all后缀的函数（还有几个函数也类似），如：
str_locate_all(c("abcdefabc", "ghifjkabc"), "abc")
[[1]]
start end
[1,] 1 3
[2,] 7 9
[[2]]
start end
[1,] 7 9str_extract()与str_subset相似但略有区别，其返回的是匹配上的字符串，无匹配上的则返回NA；str_extract_all有个simplify参数能矩阵格式的结果（默认是list格式）
str_extract(x, "abc")
[1] "abc" NA str_match()返回你正则表达式中需要捕获的字符串；比如你抓取c("aa11bb22cc", "aa11bb33cc")这字符串中的22和33数字，如果单纯用str_extract是不行的，用基础函数sub倒是可以，但略微有点麻烦，如：
sub("\\w+[a-z](\\d+)[a-z]+", "\\1", "aa11bb22cc")
[1] "22"但是用str_match()的话就比较直观简单了，其第一列是完全匹配的字符串，第二列开始则是捕获的，非常好用！如：
str_match("aa11bb22cc", "\\w+[a-z](\\d+)([a-z]+)")
[,1] [,2] [,3]
[1,] "aa11bb22cc" "22" "cc"str_replace()用法跟基础函数sub()非常相似，都是将匹配上的字符串做个替换
str_replace("apple", "a", "xx")
[1] "xxpple"如果是替换成空，那么可以考虑用str_remove()，相当于str_replace(string, pattern, "")
除了上述外，还有些简单且有效的函数，比如：
str_count返回匹配上数目
str_count("aabbcc", "a")
[1] 2str_split()类似于基础函数strsplit()，分割字符串，用法也一样；但是还有个str_split_fixed可以指定分割成数目，而前两者是没这个功能的，如：
str_split_fixed("a-b-c", "-", n = 2)
[,1] [,2]
[1,] "a" "b-c"除了上述提到的正则匹配外，stringr包还有其他的Engines：
fixed(): match exact bytes（处理bytes的）coll(): match human letters（默认是对不同语言的字母敏感，不然需加ignore_case参数）boundary(): match boundaries（用于处理characters、lines、sentences 、words）
对于boundary可以看个例子：
x <- "This is a sentence."
str_split(x, boundary("word"))
[[1]]
[1] "This" "is" "a" "sentence"所以一般我们常见的相当于boundary("character")
如需完整版的函数介绍，可看stringr包的chetsheet： https://github.com/rstudio/cheatsheets/blob/master/strings.pdf
参考资料：
R----stringr包介绍学习
https://www.rdocumentation.org/packages/stringr/versions/1.4.0
本文出自于http://www.bioinfo-scrounger.com转载请注明出处