|
介紹：
1. 文本文件的讀寫
2. 字符統(tǒng)計(jì)和字符翻譯
3. 字符串連接
4. 字符串拆分
5. 字符串查詢
6. 字符串替換
7. 字符串提取
說明：
- 普通文本文件不同于我們平時(shí)接觸到的表格式文本文件，這里的文本文件是純文本文件，里面包含的大部分都是字符串；而表格式文本文件大多是行列比較整齊的數(shù)據(jù)文件，讀取這一類的文件，需要用到read.table()或read.csv()之類的函數(shù)。
- 關(guān)于正則表達(dá)式的介紹暫時(shí)不涉及
- stringr、parser、R.utils等包暫時(shí)也不涉及，但不可否認(rèn)它們提供的函數(shù)可用性更高些！
1.文本文件的讀寫
R里面讀取文本文件的函數(shù)主要有readLines()和scan()，兩者都可以指定讀入內(nèi)容的編碼方式（通過encoding參數(shù)設(shè)置），整個(gè)文本讀入R中之后會(huì)被存儲(chǔ)在一個(gè)字符型的向量里。
text <- readLines("file.txt", encoding = "UTF-8") #假設(shè)有這么一個(gè)文件可供使用
scan("file.txt", what = character(0)) #默認(rèn)設(shè)置，每個(gè)單詞作為字符向量的一個(gè)元素
scan("file.txt", what = character(0), sep = "\n") #設(shè)置成每一行文本作為向量的一個(gè)元素，這類似于readLines
scan("file.txt", what = character(0), sep = ".") #設(shè)置成每一句文本作為向量的一個(gè)元素
同樣R對(duì)象里面的內(nèi)容也可以寫入文本文件中，主要有cat()和writeLines()。默認(rèn)情況下，cat()會(huì)將向量里的元素連在一起寫入到文件中去，但可以sep參數(shù)設(shè)置分割符。
cat(text, file = "file.txt", sep = "\n")
writeLines(text, con = "file.txt", sep = "\n", useBytes = F)
2.字符統(tǒng)計(jì)及字符翻譯
nchar()用來統(tǒng)計(jì)每個(gè)元素的字符個(gè)數(shù)，注意與length()的區(qū)別，length()用來統(tǒng)計(jì)每個(gè)向量中的元素個(gè)數(shù)。
x <- c("we are the world", "we are the children")
x
## [1] "we are the world" "we are the children"
nchar(x)
## [1] 16 19
length(x)
## [1] 2
nchar("")
## [1] 0
length("") #雖然字符為空，但是它仍然是一個(gè)元素。
## [1] 1
字符翻譯常用的函數(shù)有tolower(),toupper()和chartr()
dna <- "AgCTaaGGGcctTagct"
dna
## [1] "AgCTaaGGGcctTagct"
tolower(dna)
## [1] "agctaagggccttagct"
toupper(dna)
## [1] "AGCTAAGGGCCTTAGCT"
chartr("Tt", "Uu", dna) #將T堿基替換成U堿基
## [1] "AgCUaaGGGccuUagcu"
3.字符串連接
paste()是R中用來連接字符串的函數(shù)，但是它的功能又遠(yuǎn)遠(yuǎn)不止于此。
paste("control", 1:3, sep = "_")
## [1] "control_1" "control_2" "control_3"
x <- list(a = "aa", b = "bb")
y <- list(c = 1, d = 2)
paste(x, y, sep = "-")
## [1] "aa-1" "bb-2"
paste(x, y, sep = "-", collapse = ";")
## [1] "aa-1;bb-2"
paste(x, collapse = ":")
## [1] "aa:bb"
x
## $a
## [1] "aa"
##
## $b
## [1] "bb"
as.character(x) #將其它類型的對(duì)象轉(zhuǎn)換成字符
## [1] "aa" "bb"
unlist(x)
## a b
## "aa" "bb"
4.字符串拆分
strsplit()是一個(gè)拆分函數(shù)，該函數(shù)可以使用正則表達(dá)式進(jìn)行匹配拆分。其命令形式為：
strsplit(x, split, fixed= F, perl= F, useBytes= F)
- 參數(shù)x為字符串格式向量，函數(shù)依次對(duì)向量的每個(gè)元素進(jìn)行拆分
- 參數(shù)split為拆分位置的字串向量，即在哪個(gè)字串處開始拆分；該參數(shù)默認(rèn)是正則表達(dá)式匹配；若設(shè)置fixed= T則表示是用普通文本匹配或者正則表達(dá)式的精確匹配。用普通文本來匹配的運(yùn)算速度要快些。
- 參數(shù)perl的設(shè)置和perl的版本有關(guān)，表示可以使用perl語(yǔ)言里面的正則表達(dá)式。如果正則表達(dá)式過長(zhǎng)，則可以考慮使用perl的正則來提高運(yùn)算速度。
- 參數(shù)useBytes表示是否逐字節(jié)進(jìn)行匹配，默認(rèn)為FALSE，表示是按字符匹配而不是按字節(jié)進(jìn)行匹配。
text <- "We are the world.\nWe are the children!"
text
## [1] "We are the world.\nWe are the children!"
cat(text) #注意\n被解釋稱換行符，R里字符串自身也是正則！
## We are the world.
## We are the children!
strsplit(text, " ")
## [[1]]
## [1] "We" "are" "the" "world.\nWe" "are"
## [6] "the" "children!"
strsplit(text, "\\s") #以任意空白符作為分割的位置，注意雙反斜線
## [[1]]
## [1] "We" "are" "the" "world." "We" "are"
## [7] "the" "children!"
class(strsplit(text, "\\s"))
## [1] "list"
strsplit()的返回結(jié)果是list類型，如果想將其轉(zhuǎn)換成字符串類型，則可以使用上面提到的unlist()和as.character()。
有一種特殊情況，如果strsplit()的split參數(shù)為空字符串的話，得函數(shù)的返回結(jié)果是一個(gè)個(gè)字符。
strsplit(text, "")
## [[1]]
## [1] "W" "e" " " "a" "r" "e" " " "t" "h" "e" " " "w" "o" "r"
## [15] "l" "d" "." "\n" "W" "e" " " "a" "r" "e" " " "t" "h" "e"
## [29] " " "c" "h" "i" "l" "d" "r" "e" "n" "!"
5.字符串查詢
字符串的查詢或者搜索著要是應(yīng)用了正則表達(dá)式的匹配來完成任務(wù)的，R里正方面的函數(shù)有g(shù)rep()，grepl()，regexpr()，gregexpr()和regexec()等。
其中g(shù)rep()和grepl()兩個(gè)函數(shù)的命令形式如下：
grep(pattern, x, ignore.case= F, perl= F, value= F, fixed= F, useBytes= F, invert= F)
grep(pattern, x, ignore.case= F, perl= F, fixed= F, useBytes= F)
由命令形式可以看出，前者返回了向量x中哪個(gè)元素匹配了模式pattern（即返回了向量x的某些下標(biāo)）或者具體哪個(gè)元素匹配了模式（通過設(shè)置value參數(shù)來完成），而后者則返回了一系列邏輯值，其長(zhǎng)度等同于向量x的長(zhǎng)度，表示向量x中的元素是否匹配了模式。它們都沒有提供具體的位置信息，即向量x中的元素在哪個(gè)位置匹配了模式。
text <- c("We are the world", "we are the children")
grep("We", text) #向量text中的哪些元素匹配了單詞'We'
## [1] 1
grep("We", text, invert = T) #向量text中的哪些元素沒有匹配單詞'We'
## [1] 2
grep("we", text, ignore.case = T) #匹配時(shí)忽略大小寫
## [1] 1 2
grepl("are", text) #向量text中的每個(gè)元素是否匹配了單詞'We'，即只返回TRUE或FALSE
## [1] TRUE TRUE
regexpr(),gregexpr()和regexec()函數(shù)同樣也可用來進(jìn)行字符串搜索，與grep()和grepl()不同的是它們返回的結(jié)果中包含了匹配的具體位置和字符串長(zhǎng)度信息（因此可用于字符串的提取操作中去）。它們的命令形式如下：
regexpr(pattern, text, ignore.case = FALSE, perl = FALSE, fixed = FALSE, useBytes = FALSE)
gregexpr(pattern, text, ignore.case = FALSE, perl = FALSE, fixed = FALSE, useBytes = FALSE)
regexec(pattern, text, ignore.case = FALSE, fixed = FALSE, useBytes = FALSE)
text <- c("We are the world", "we are the children")
regexpr("e", text)
## [1] 2 2
## attr(,"match.length")
## [1] 1 1
## attr(,"useBytes")
## [1] TRUE
class(regexpr("e", text))
## [1] "integer"
gregexpr("e", text)
## [[1]]
## [1] 2 6 10
## attr(,"match.length")
## [1] 1 1 1
## attr(,"useBytes")
## [1] TRUE
##
## [[2]]
## [1] 2 6 10 18
## attr(,"match.length")
## [1] 1 1 1 1
## attr(,"useBytes")
## [1] TRUE
class(gregexpr("e", text))
## [1] "list"
regexec("e", text)
## [[1]]
## [1] 2
## attr(,"match.length")
## [1] 1
##
## [[2]]
## [1] 2
## attr(,"match.length")
## [1] 1
class(regexec("e", text))
## [1] "list"
從regexpr()的返回結(jié)果看，返回結(jié)果是個(gè)整數(shù)型向量，但是它還具有兩個(gè)額外的屬性(attributes)，分別是匹配字段的長(zhǎng)度和是否按字節(jié)進(jìn)行匹配；regexpr()的返回結(jié)果為-1和1，其中-1表示沒有匹配上，1表示text中第2個(gè)元素中的第一個(gè)字符被匹配上，且匹配字符的長(zhǎng)度為2（屬性值中提供）；gregexpr()的返回結(jié)果中包含了全部的匹配結(jié)果的位置信息，而regexpr()只返回了向量text里每個(gè)元素中第一個(gè)匹配的位置信息，gregexpr()的返回結(jié)果類型是list類型對(duì)象；regexec()的返回結(jié)果基本與regexpr()類似，只返回了第一個(gè)匹配的位置信息，但其結(jié)果是一個(gè)list類型的對(duì)象，并且列表里面的元素少了一個(gè)屬性值，即attr(,“useBytes”)。
除了上面的字符串的查詢，有時(shí)還會(huì)用到完全匹配，這是會(huì)用到match()，其命令形式如下：
match(x, table, nomatch= NAinteger, incomparables)
只有參數(shù)x的內(nèi)容被完全匹配，函數(shù)才會(huì)返回參數(shù)x所在table參數(shù)中的下標(biāo)，否則的話會(huì)返回nomatch參數(shù)中定義的值（默認(rèn)是NA）。
text <- c("We are the world", "we are the children", "we")
match("we", text)
## [1] 3
match(2, c(3, 4, 2, 8))
## [1] 3
match("xx", c("abc", "xxx", "xx", "xx")) #只會(huì)返回第一個(gè)完全匹配的元素的下標(biāo)
## [1] 3
match(2, c(3, 4, 2, 8, 2))
## [1] 3
match("xx", c("abc", "xxx")) # 沒有完全匹配的，因此返回NA
## [1] NA
此外還有一個(gè)charmatch()，其命令形式類似于match，但從下面的例子來看其行為有些古怪。同樣該函數(shù)也會(huì)返回其匹配字符串所在table中的下標(biāo)，該函數(shù)在進(jìn)行匹配時(shí)，會(huì)從table里字符串的最左面（即第一個(gè)字符）開始匹配，如果起始位置沒有匹配則返回NA；如果同時(shí)部分匹配和完全匹配，則會(huì)優(yōu)先選擇完全匹配；如果同時(shí)有多個(gè)完全匹配或者多個(gè)部分匹配時(shí)，則會(huì)返回0；如果以上三個(gè)都沒有，則返回NA。另外還有一個(gè)pmatch()，其功能同charmatch()一樣，僅僅寫法不同。
charmatch("xx", c("abc", "xxa"))
## [1] 2
charmatch("xx", c("abc", "axx")) # 從最左面開始匹配
## [1] NA
charmatch("xx", c("xxa", "xxb")) # 不唯一
## [1] 0
charmatch("xx", c("xxa", "xxb", "xx")) # 優(yōu)先選擇完全匹配，盡管有兩個(gè)部分匹配
## [1] 3
charmatch(2, c(3, 4, 2, 8))
## [1] 3
charmatch(2, c(3, 4, 2, 8, 2))
## [1] 0
不知道這樣一個(gè)奇怪的函數(shù)在那里能夠用到，真是有點(diǎn)期待！
6.字符串的替換
雖然sub()和gsub()能夠提供替換的功能，但其替換的實(shí)質(zhì)是先創(chuàng)建一個(gè)對(duì)象，然后對(duì)原始對(duì)象進(jìn)行重新賦值，最后結(jié)果好像是“替換”了一樣。（R語(yǔ)言對(duì)參數(shù)都是傳值不傳址）
sub()和gsub()的命令形式具體如下：
sub(pattern, replacement, x, ignore.case = FALSE, perl = FALSE, fixed = FALSE, useBytes = FALSE)
gsub(pattern, replacement, x, ignore.case = FALSE, perl = FALSE, fixed = FALSE, useBytes = FALSE)
text <- c("we are the world", "we are the children")
sub("w", "W", text)
## [1] "We are the world" "We are the children"
gsub("w", "W", text)
## [1] "We are the World" "We are the children"
sub(" ", "", "abc def ghi")
## [1] "abcdef ghi"
gsub(" ", "", "abc def ghi")
## [1] "abcdefghi"
從上面的輸出結(jié)果可以看出，sub()和gsub()的區(qū)別在于，前者只替換第一次匹配的字串（請(qǐng)注意輸出結(jié)果中world的首字母），而后者會(huì)替換掉所有匹配的字串。
注意：gsub()是對(duì)向量里面的每個(gè)元素進(jìn)行搜素，如果發(fā)現(xiàn)元素里面有多個(gè)位置匹配了模式，則全部進(jìn)行替換，而grep()也是對(duì)向量里每個(gè)元素進(jìn)行搜索，但它僅僅知道元素是否匹配了模式（并返回該元素在向量中的下標(biāo)），但具體元素中匹配了多少次卻無法知道。在這里僅僅是為了說明這兩者的區(qū)別，這在實(shí)際中可能不會(huì)用到。
text <- c("we are the world", "we are the children")
grep("w", text) #grep的返回結(jié)果為1和2，表示text向量的兩個(gè)元素中都含有字符w，但text向量的第一個(gè)元素里共含有兩個(gè)字符。
## [1] 1 2
gsub("w", "W", text)
## [1] "We are the World" "We are the children"
7.字符串的提取
字符串的提取，有些地方類似于字符串的拆分。常用到的提取函數(shù)有substr()和substring()，它們都是靠位置來進(jìn)行提取的，它們自身并不適用正則表達(dá)式，但是它們可以結(jié)合正則表達(dá)式函數(shù)regexpr(),gregexpr()和regexec()等可以方便地從文本中提取所需信息。兩者的命令形式如下：
substr(x, start, stop)
substring(text, first, last)
x和text為要從中提取的字符串向量，start和first為提取的起始位置向量，stop和last為提取的終止位置向量，但是這兩個(gè)函數(shù)的返回值的長(zhǎng)度稍有區(qū)別：
- substr()返回的字符串個(gè)數(shù)等于第一個(gè)向量的長(zhǎng)度
- substring()返回的字符串個(gè)數(shù)等于其三個(gè)參數(shù)中長(zhǎng)度最長(zhǎng)的那個(gè)參數(shù)的長(zhǎng)度
x <- "123456789"
substr(x, c(2, 4), c(4, 5, 8))
## [1] "234"
substring(x, c(2, 4), c(4, 5, 8))
## [1] "234" "45" "2345678"
y <- c("12345678", "abcdefgh")
substr(y, c(2, 4), c(4, 5, 8))
## [1] "234" "de"
substring(y, c(2, 4), c(4, 5, 8))
## [1] "234" "de" "2345678"
從上面的輸出結(jié)果來，向量x的長(zhǎng)度為1，substr()不管后面的兩個(gè)參數(shù)的長(zhǎng)度如何，它只會(huì)用到這兩個(gè)參數(shù)的第一個(gè)數(shù)值，即分別為2和4，表示提取的起始和終止位置分別為2和4，返回的結(jié)果則是字符串“234”。而用substring()來提取時(shí)，則會(huì)依據(jù)參數(shù)最長(zhǎng)的last參數(shù)，此外還需要注意的是first和last兩個(gè)參數(shù)的長(zhǎng)度不等，這時(shí)會(huì)用到R里面的“短向量循環(huán)”原則，參數(shù)first會(huì)自動(dòng)延長(zhǎng)為c(2, 4, 2)，函數(shù)會(huì)依次提取從2到4，從4到5，從2到8這三個(gè)字符串。
用substing()可以很方便地把DNA或RNA序列進(jìn)行翻譯（三個(gè)堿基轉(zhuǎn)換成一個(gè)密碼子）。
dna <- paste(sample(c("A", "G", "C", "T"), 12, replace = T), collapse = "")
dna
## [1] "ATAACGCGTGGG"
substring(dna, seq(1, 10, by = 3), seq(3, 12, by = 3))
## [1] "ATA" "ACG" "CGT" "GGG"
8.字符串的定制輸出
這個(gè)內(nèi)容有點(diǎn)類似于字符串的連接。這里用到了strtrim()，用于將字符串修剪到特定的顯示寬度，其命令形式如下：
strtrim(x, width)
該函數(shù)返回的字符串向量的長(zhǎng)度等于參數(shù)x的長(zhǎng)度。
strtrim(c("abcde", "abcde", "abcde"), c(1, 5, 10))
## [1] "a" "abcde" "abcde"
strtrim(c(1, 123, 12345), 4) #短向量循環(huán)
## [1] "1" "123" "1234"
strtrim()會(huì)根據(jù)width參數(shù)提供的數(shù)字來修剪字符串，若width提供的數(shù)字大于字符串的字符數(shù)的話，則該字符串會(huì)保持原樣，不會(huì)增加空格之類的東西。
strwrap()會(huì)把字符串當(dāng)成一個(gè)段落來處理（不管段落中是否有換行），按照段落的格式進(jìn)行縮進(jìn)和分行，返回結(jié)果就是一行行的字符串，其命令形式如下：
strwrap(x, width, indent= 0, exdent= 0, prefix= “”, simplify= T, initial= prefix)
函數(shù)返回結(jié)果中的每一行的字符串中的字符數(shù)目等于參數(shù)width。
string <- "Each character string in the input is first split into\n paragraphs (or lines containing whitespace only). The paragraphs are then formatted by breaking lines at word boundaries."
string
## [1] "Each character string in the input is first split into\n paragraphs (or lines containing whitespace only). The paragraphs are then formatted by breaking lines at word boundaries."
cat(string)
## Each character string in the input is first split into
## paragraphs (or lines containing whitespace only). The paragraphs are then formatted by breaking lines at word boundaries.
strwrap(string) #直接將換行符忽略了
## [1] "Each character string in the input is first split into paragraphs"
## [2] "(or lines containing whitespace only). The paragraphs are then"
## [3] "formatted by breaking lines at word boundaries."
strwrap(string, width = 40, indent = 4) #首行縮進(jìn)
## [1] " Each character string in the input"
## [2] "is first split into paragraphs (or"
## [3] "lines containing whitespace only). The"
## [4] "paragraphs are then formatted by"
## [5] "breaking lines at word boundaries."
strwrap(string, width = 40, exdent = 4) #除了首行的其余行縮進(jìn)
## [1] "Each character string in the input is"
## [2] " first split into paragraphs (or"
## [3] " lines containing whitespace only)."
## [4] " The paragraphs are then formatted"
## [5] " by breaking lines at word"
## [6] " boundaries."
strwrap(string, width = 40, simplify = F) # 返回結(jié)果是個(gè)列表，而不再是個(gè)字符串向量
## [[1]]
## [1] "Each character string in the input is"
## [2] "first split into paragraphs (or lines"
## [3] "containing whitespace only). The"
## [4] "paragraphs are then formatted by"
## [5] "breaking lines at word boundaries."
strwrap(string, width = 40, prefix = "******")
## [1] "******Each character string in the"
## [2] "******input is first split into"
## [3] "******paragraphs (or lines containing"
## [4] "******whitespace only). The paragraphs"
## [5] "******are then formatted by breaking"
## [6] "******lines at word boundaries."
參考博客：
|
