R 字符串处理函数

用R来处理字符串数据并不是一个很好的选择，还是推荐使用Perl或者Python等语言。不过R本身也提供了一些常用的字符串处理函数，这篇文章就对这些字符串函数做一个简单的总结，具体各个函数的使用方法还是要参考R的帮助文档。

• 取子字符串

substr(x,start,stop)
substring(text, first, last=1000000 )
x为字符串向量。两个函数的不同之处在于函数substr()必须指定子字符串的起始位置和结束位置；而substring()可以不用指定结束位置，默认为1000000，如果字符串的长度小于1000000，则默认为取到字符串的结尾处。
> substr("sinablog",2,4)
[1] "ina"
> substring("sinablog",2,4)
[1] "ina"
> substring("sinablog",5)
[1] "blog"
> substr("sinablog",5,10)
[1] "blog"
另一个例子，此时x是一个含有多个元素的字符串向量：
> x <- c("asfef", "qwerty", "yuiop[", "b", "stuff.blah.yech")
> substring(x, 2, 5)
[1] "sfef" "wert" "uiop" ""     "tuff"

• 字符串替换

substr(x,start,stop)<-value
substring(text, first, last = 1000000)<-value
同样的，substr必须指定开始处，结尾处，而substring结尾处默认为1000000，基本大于大多数的字符串长度，可以不用指定。
> x <- c("asfef", "qwerty", "yuiop[", "b", "stuff.blah.yech")
> substring(x, 2) <- c("..", "+++","test","test","test")
> x
[1] "a..ef"           "q+++ty"          "ytest["          "b"              "stest.blah.yech"
> substr(x, 2,4) <- c("..", "+++","test","test","test")
> x
[1] "a..ef"           "q+++ty"          "ytest["          "b"              "stest.blah.yech"

• 字符串拆分

strsplit(x, split, extended = TRUE, fixed = FALSE, perl = FALSE)
其中x为待拆分的字符串向量，split拆分模式（可以使用正则表达式）；fixed为TRUE表示精确匹配，否则表示可以使用正则表达式；perl为TRUE表示要是用Perl兼容正则表达式；由于可以使用正则表达式，所以一些特殊字符有特殊的含义，在使用的时候要注意对特殊字符的转义。
> strsplit("a.b.c", ".")
[[1]]
[1] "" "" "" "" ""
这是因为在正则表达式中，点“.”是通配符，表示任意的单个字符。而要想得到普通意义上的结果，要使用两个反斜杠"\\"对通配符“.”进行转义（这是windows下的试验，由于手边没有linux服务器，没有测试linux下是使用一个反斜杠还是两个，猜测是一个即可）或者使用精确匹配（即限定参数fixed=TRUE）来实现。
另外需要说明一点的是：直接使用split函数得到的结果是一个列表，如果希望得到一个向量，可以使用
unlist函数。
> unlist(strsplit("a.b.c", "\\."))
[1] "a" "b" "c"
> unlist(strsplit("a.b.c", ".",fixed=TRUE))
[1] "a" "b" "c"
若希望得到各个字母组成的字符串向量：
unlist(strsplit("abc",""))
[1] "a" "b" "c"

• 字符串连接

paste(..., sep = " ", collapse = NULL)
其中sep表示不同的字符串之间的分隔符，默认为空格。
> paste("a","b","c",sep=".")
[1] "a.b.c"
> paste("A", 1:6)
[1] "A 1" "A 2" "A 3" "A 4" "A 5" "A 6"

• 获取字符串的长度

nchar(x, type = "chars", allowNA = FALSE)
其中type表示测量单位，有三个选择：chars,bytes,width。
nzchar(x)用于判断一个变量的长度是否为0。
需要注意的是，对于缺失值NA，nzchar()的结果为TRUE，而函数nchar()的返回结果为2。所以在对字符串进行测量之前，最好先使用is.na()函数判断一下是否是NA值。
> x<-"sinablog"
> nchar(x)
[1] 8
> nzchar(x)
[1] TRUE
> x<-NA
> is.na(x)
[1] TRUE
> nchar(x)
[1] 2
> nzchar(x)
[1] TRUE

• 从左端起取字符串的特定长度子串

strtrim(x,width)
width为要取的长度，如果width的值大于字符串x的长度，则默认取到x的结尾。
> strtrim(c("abcdef", "abcdef", "abcdef"), c(1,5,10))
[1] "a"      "abcde"  "abcdef"

在上面提到了正则表达式，这是一个处理文本数据的强大工具，但是还是老话，R的优势并不在这里，还是推荐使用Perl或者Python等其它语言（特别是Perl）。不过，R也同样提供了一些函数可以使用正则表达式，具体的讨论就放到下一篇博文里吧！