6 字符型数据及其处理

6.1 字符型向量

字符型向量是元素为字符串的向量。 如

s1 <- c('abc', '', 'a cat', NA, '李明')

注意空字符串并不能自动认为是缺失值, 字符型的缺失值仍用NA表示。

6.2 paste()函数

针对字符型数据最常用的R函数是paste()函数。 paste()用来连接两个字符型向量, 元素一一对应连接, 默认用空格连接。 如paste(c("ab", "cd"), c("ef", "gh")) 结果相当于c("ab ef", "cd gh")

paste()在连接两个字符型向量时采用R的一般向量间运算规则, 而且可以自动把数值型向量转换为字符型向量。 可以作一对多连接, 如paste("x", 1:3)结果相当于c("x 1", "x 2", "x 3")

sep=指定分隔符, 如paste("x", 1:3, sep="")结果相当于c("x1", "x2", "x3")

使用collapse=参数可以把字符型向量的各个元素连接成一个单一的字符串, 如paste(c("a", "b", "c"), collapse="")结果相当于"abc"

6.3 转换大小写

toupper()函数把字符型向量内容转为大写, tolower()函数转为小写。 比如,toupper('aB cd')结果为"AB CD"tolower(c('aB', 'cd'))结果相当于c("ab" "cd")。 这两个函数可以用于不区分大小写的比较, 比如,不论x的值是'JAN', 'Jan'还是'jan'toupper(x)=='JAN'的结果都为TRUE。

6.4 字符串长度

nchar(x, type='bytes')计算字符型向量x中每个字符串的以字节为单位的长度,这一点对中英文是有差别的, 中文通常一个汉字占两个字节,英文字母、数字、标点占一个字节。 用nchar(x, type='chars')计算字符型向量x中每个字符串的以字符个数为单位的长度,这时一个汉字算一个单位。

在画图时可以用strwidth()函数计算某个字符串或表达式占用的空间大小。

6.5 取子串

substr(x, start, stop)从字符串x中取出从第start个到第stop个的子串, 如

substr('JAN07', 1, 3)
## [1] "JAN"

如果x是一个字符型向量,substr将对每个元素取子串。如

substr(c('JAN07', 'MAR66'), 1, 3)
## [1] "JAN" "MAR"

substring(x, start)可以从字符串x中取出从第start个到末尾的子串。如

substring(c('JAN07', 'MAR66'), 4)
## [1] "07" "66"

6.6 类型转换

as.numeric()把内容是数字的字符型值转换为数值,如

substr('JAN07', 4, 5)
## [1] "07"
substr('JAN07', 4, 5) + 2000
## Error in substr("JAN07", 4, 5) + 2000 : 
##   non-numeric argument to binary operator
as.numeric(substr('JAN07', 4, 5)) + 2000
## [1] 2007
as.numeric(substr(c('JAN07', 'MAR66'), 4, 5))
## [1]  7 66

as.numeric()是向量化的, 可以转换一个向量的每个元素为数值型。

as.character()函数把数值型转换为字符型,如

as.character((1:5)*5)
## [1] "5"  "10" "15" "20" "25"

如果自变量本来已经是字符型则结果不变。

为了用指定的格式数值型转换成字符型, 可以使用sprintf()函数, 其用法与C语言的sprintf()函数相似, 只不过是向量化的。例如

sprintf('file%03d.txt', c(1, 99, 100))
## [1] "file001.txt" "file099.txt" "file100.txt"

6.7 字符串替换功能

gsub()可以替换字符串中的子串, 这样的功能经常用在数据清理中。 比如,把数据中的中文标点改为英文标点, 去掉空格,等等。 如

x <- '1, 3; 5'
gsub(';', ',', x, fixed=TRUE)
## [1] "1, 3, 5"

字符串x中分隔符既有逗号又有分号, 上面的程序用gsub()把分号都换成逗号。

更多的文本数据(字符型数据)功能参见41

6.8 正则表达式

正则表达式(regular expression)是一种匹配某种字符串模式的方法。 用这样的方法,可以从字符串中查找某种模式的出现位置, 替换某种模式,等等。 这样的技术可以用于文本数据的预处理, 比如用网络爬虫下载的大量网页文本数据。 R中支持perl语言格式的正则表达式, grep()grepl()函数从字符串中查询某个模式, sub()gsub()替换某模式。 比如, 下面的程序把多于一个空格替换成一个空格

gsub('[[:space:]]+', ' ', 
    'a   cat  in a box', perl=TRUE)
## [1] "a cat in a box"

正则表达式功能强大但也不容易掌握。 详见41