14 字符串处理
14.1 引言
本章深入介绍如何创建、处理和提取字符串，重点使用 stringr 包（属于tidyverse）提供的一系列以 str_ 开头的函数。
本章需要用到以下R包：
ibrary(tidyverse)
library(babynames) # 婴儿名字数据14.2 创建字符串
字符串可使用单引号或双引号创建，一般情况建议统一使用双引号：
string1 <- "This is a string"
string2 <- 'Use single quotes if the string contains "quotes"'若未闭合引号，控制台将显示 + 作为继续提示，按 Esc 可退出。
若字符串中包含引号或反斜杠 \，需使用转义字符：
double_quote <- "\"" # 双引号
single_quote <- '\'' # 单引号
backslash <- "\\" # 反斜杠注意：R 打印时会自动显示转义字符，但真实内容并不包含它们。可以使用 str_view() 查看，显示的是实际字符，而不是转义形式：
x <- c(single_quote, double_quote, backslash)
str_view(x)
[1] │ '
[2] │ "
[3] │ \另有其他转义符如下：
| 转义序列 | 含义 |
|---|---|
\n |
换行符 |
\t |
制表符 |
\uXXXX |
Unicode 字符 |
x <- c("one\ntwo", "one\ttwo", "\u00b5", "\U0001f604")
str_view(x)
[1] │ one
│ two
[2] │ one{\t}two
[3] │ µ
[4] │ 😄其中
{}是str_view()用来清晰显示不可见字符（如 tab）的可视化处理方式。
字符串中若包含大量引号或反斜杠（如嵌入代码片段），会出现所谓“倾斜牙签综合征”（leaning toothpick syndrome），即转义符过多导致难以阅读。可用原始字符串语法解决。
原始字符串以 r"()" 包裹，括号内部的转义符失效。如 \n 不会被解释为换行，而是字面意义上的两个字符。但是若内容中包含 )"，仍需规避，可使用 r"[]"、r"{}" 或r"---()---"，提高灵活性。
14.3 构造字符串
str_c()函数用于拼接字符串。它可接收若干向量作为参数，返回一个字符向量。例如：
str_c("x", "y", "z") # "xyz"
str_c("Hello ", c("John", "Susan"))
#> "Hello John" "Hello Susan"
str_c(c("Hello ","Hi "), c("John", "Susan"))
#> "Hello John" "Hi Susan" 适用于mutate()，且合理处理缺失值 NA：
df <- tibble(name = c("Flora", "David", "Terra", NA))
df |> mutate(greeting = str_c("Hi ", name, "!"))
#> name greeting
#> Flora Hi Flora!
#> David Hi David!
#> Terra Hi Terra!
#> NA NAcoalesce() 函数可以用自定义值替换缺失值：
df |>
mutate(
greeting1 = str_c("Hi ", coalesce(name, "you"), "!"),
greeting2 = coalesce(str_c("Hi ", name, "!"), "Hi!")
)greeting1：缺失值用"you"代替，结果是"Hi you!"greeting2：拼接结果为NA时整体替换为"Hi!"
使用 str_c() 拼接多个变量和文字，会写很多 " 和 ,，可读性差。这时可以使用 glue 包提供的 str_glue() 函数：
df |> mutate(greeting = str_glue("Hi {name}!"))
#> Flora Hi Flora!
#> David Hi David!
#> NA Hi NA!{}中嵌入变量名- 缺失值会被转为字符串
"NA"（注意与str_c()会生成NA不同）
如果要在字符串中保留大括号 {} 本身，需要使用双大括号转义：
str_glue("{{Hi {name}!}}")
#> "{Hi Flora!}" ...在 summarize() 中将多个字符串合并，使用 str_flatten()。
str_flatten(c("x", "y", "z")) # "xyz"
str_flatten(c("x", "y", "z"), ", ") # "x, y, z"
str_flatten(c("x", "y", "z"), ", ", last = ", and ")
#> "x, y, and z"14.4 从字符串中提取数据
工作中经常会遇到多个变量挤在一个字符串中的情况。tidyr 提供了四个主力函数来提取这些变量：
separate_longer_delim() # 按分隔符拆分为多行
separate_longer_position() # 按固定宽度拆分为多行
separate_wider_delim() # 按分隔符拆分为多列
separate_wider_position() # 按固定宽度拆分为多列longer→ 把一列拆成多行wider→ 把一列拆成多列delim→ 用分隔符position→ 用固定宽度
拆成多行适用于每行元素个数不固定的情况。
df1 <- tibble(x = c("a,b,c", "d,e", "f"))
df1 |>
separate_longer_delim(x, delim = ",")
#> # A tibble: 6 × 1
#> x
#> <chr>
#> 1 a
#> 2 b
#> 3 c
#> 4 d
#> 5 e
#> 6 f拆成多列适用于每个字符串的成分数固定，且需要展开为多个列的情况。
df3 <- tibble(x = c("a10.1.2022", "b10.2.2011", "e15.1.2015"))
df3 |>
separate_wider_delim(
x,
delim = ".",
names = c("code", "edition", "year")
)
#> # A tibble: 3 × 3
#> code edition year
#> <chr> <chr> <chr>
#> 1 a10 1 2022
#> 2 b10 2 2011
#> 3 e15 1 2015如果某一部分不需要保留，用 NA 占位即可：
df3 |>
separate_wider_delim(
x,
delim = ".",
names = c("code", NA, "year")
)
#> # A tibble: 3 × 2
#> code year
#> <chr> <chr>
#> 1 a10 2022
#> 2 b10 2011
#> 3 e15 2015有时警告拆分失败，需要进行排查。
- 组件数量不足（too few）
df <- tibble(x = c("1-1-1", "1-1-2", "1-3", "1-3-2", "1"))
df |> separate_wider_delim(
x,
delim = "-",
names = c("x", "y", "z")
)出现报错：某些行只有1或2个字段，不足3个。
使用 too_few = "debug" 进入调试模式：
debug <- df |>
separate_wider_delim(
x,
delim = "-",
names = c("x", "y", "z"),
too_few = "debug"
)
#> Warning: Debug mode activated: adding variables `x_ok`, `x_pieces`, and
#> `x_remainder`.
debug
# A tibble: 5 × 6
x y z x_ok x_pieces x_remainder
<chr> <chr> <chr> <lgl> <int> <chr>
1 1-1-1 1 1 TRUE 3 ""
2 1-1-2 1 2 TRUE 3 ""
3 1-3 3 NA FALSE 2 ""
4 1-3-2 3 2 TRUE 3 ""
5 1 NA NA FALSE 1 "" 新增列说明：
x_ok：是否符合预期x_pieces：实际字段数量x_remainder：剩余没分配的部分（对 too_many 更有用）
可以用 filter(!x_ok) 快速筛出异常行。
若只是想补齐 NA 继续处理，可使用：
too_few = "align_start" # 从左对齐，补 NA 到右边
too_few = "align_end" # 从右对齐，补 NA 到左边- 组件过多（too many）
df <- tibble(x = c("1-1-1", "1-1-2", "1-3-5-6", "1-3-2", "1-3-5-7-9"))
df |> separate_wider_delim(
x,
delim = "-",
names = c("x", "y", "z")
)同样报错：有行多于3个字段。
使用 too_many = "debug"开启调试：
debug <- df |> separate_wider_delim(
x,
delim = "-",
names = c("x", "y", "z"),
too_many = "debug"
)
debug
# A tibble: 5 × 6
x y z x_ok x_pieces x_remainder
<chr> <chr> <chr> <lgl> <int> <chr>
1 1-1-1 1 1 TRUE 3 ""
2 1-1-2 1 2 TRUE 3 ""
3 1-3-5-6 3 5 FALSE 4 "-6"
4 1-3-2 3 2 TRUE 3 ""
5 1-3-5-7-9 3 5 FALSE 5 "-7-9" 可观察 x_remainder 中存放了多余部分。
处理方法：
too_many = "drop"：多余字段丢弃too_many = "merge"：合并多余字段到最后一列
14.5 字母与子串处理
本节介绍处理字符串中字母的基本函数。
str_length()函数用于返回字符串的字符个数（包括空格和标点）：
str_length(c("a", "R for data science", NA))
#> [1] 1 18 NA例如要统计小孩名字长度，并查看最长的名字：
babynames |>
count(length = str_length(name), wt = n)
babynames |>
filter(str_length(name) == 15) |>
count(name, wt = n, sort = TRUE)str_sub()函数用于提取子串，基本参数如下：
str_sub(string, start, end)- 起始位置
start和结束位置end为闭区间 - 支持负数索引：
-1表示最后一个字符，-2为倒数第二个，以此类推
示例：
x <- c("Apple", "Banana", "Pear")
str_sub(x, 1, 3)
#> [1] "App" "Ban" "Pea"
str_sub(x, -3, -1)
#> [1] "ple" "ana" "ear"如果长度不足，函数会尽量返回可取部分，而不会报错：
str_sub("a", 1, 5)
#> [1] "a"例如要提取名字首字母与尾字母
babynames |>
mutate(
first = str_sub(name, 1, 1),
last = str_sub(name, -1, -1)
)14.6 非英文文本处理
之前的内容主要处理英文文本。因为英文相对简单，原因有二：
- 英文只有26个基础字母；
- 计算机编码标准（如 ASCII）是由英语国家设计的，更偏向英文语境。
处理非英语文本难免遇到意料之外的难题，包括字符编码问题、带变音符的字母、地区敏感的字符串排序与大小写转换。
- 字符编码
字符编码决定了字符如何在底层以数字（字节）表示。
charToRaw("Hadley")
#> [1] 48 61 64 6c 65 79这是 ASCII 编码，每个字符一个字节（如 48 对应 H）。
如今通用编码是 UTF-8，可表达几乎所有语言的字符与表情符号（emoji）
读取非UTF-8编码数据：
read_csv(x1, locale = locale(encoding = "Latin1"))
read_csv(x2, locale = locale(encoding = "Shift-JIS"))如何判断编码？
使用 guess_encoding() 可自动推测，建议在字符量较大的文本上使用。
若文本打印乱码（比如所谓“锟斤拷”），通常就是编码不匹配。
- 字母变体
带变音符的字母（如 ü）可能存在两种编码方式：
- 单字符（预组合）：
\u00fc - 双字符（分解组合）：
"u" + "\u0308"
u <- c("\u00fc", "u\u0308")
str_length(u)
#> [1] 1 2
str_sub(u, 1, 1)
#> [1] "ü" "u"可见虽然视觉上一样，但实际上字符长度、内容不同。
- 函数的地区敏感性
locale（语言-地区标识）会影响大小写转换与排序函数。此处不作赘述。