最近我发现另一个函数： `sprintf` 比起`paste`, 已经会写C 的版友可能会更喜欢这个函数。 基本用法： ```r table_name <- "demo" row_number <- 100 sprintf( "SELECT * FROM %s LIMIT %d" , table_name, row_number ) ``` 另外他也指定要印出的位数： ```r a <- rnorm(1) sprintf( "%4.2f %4.3f %4.4f", a, a, a) ``` 如果不是一批字串向量要做处理的话，我比较喜欢这个函数。 写起来比`paste`快 ※ 引述《gsuper (Logit(odds))》之铭言： : ※ [本文转录自 Statistics 看板 #1CA5vrBC ] : 作者: gsuper (统计的巴比伦塔) 看板: Statistics : 标题: [程式] R的字串处理 : 时间: Mon Jun 28 16:33:54 2010 : [软体程式类别]: : R : [程式问题]: : 资料处理 : [软体熟悉度]: : 中(3个月到1年) : [问题叙述]: : 最近常在处理字串 : 发现自己会的 function 很不够用 : 想多学点 function : 我列出一些我常用的 : 希望能抛砖引玉 : 请各位高手能教我一些高招 : [程式范例]: : 前言 : : R 的字串处理 , : 要小心注意 character , factor , numeric 这三种物件的误转换和混用 : factor 是一种很讨厌的物件 , : 因为它在转成数字和字串的时候 , : 常常会变成跟原本不一样的东西 , : 建议资料处理的过程 , : 预设用 matrix 和 character 两种而避免使用 data.frame : ------------------------------------------------------------------ : 1.字串黏合 : paste ("A","B",sep="") ---->>> "AB" : 2.字串切割 : strsplit("A.B",split=".",fixed=T) ---->>> "A" "B" : 3.精确稳合 : x <- c("AB","AA") : x %in% "AB" ---->>> TRUE FALSE : 4.部份吻合 + (回传 which) : x <- c("AB","AA") : grep("B",x) ---->>> 1 : grep("A",x) ---->>> 1 2 : grep("B",x,value=T) ---->>> "AB" : grep("B",x,value=T,invert=T) ---->>> "AA" : grep("C",x) ---->>> integer(0) : #若目的是要找 index , 建议改用 grepl : 4-2.部份吻合 + (回传判断式) : x <- c("AB","AA") : grepl("B",x) ---->>> TRUE FALSE : 4-3.部份吻合 + (回传位置) + (回传??) : x <- c("BBB","AAA","CCB") : regexpr("B",x) ---->>> 1 -1 3 (第一次 "hit" 的位置) : 1 -1 1 (有无 "hit") : 5.子字串 : substr("human123456",start=1,stop=5) ---->>> "human" : !!注意!! 4-3 的 regexpr : 与这个 substr 结合起来 , : 在写 网页Parser 的时候很好用 : regexpr 能定义出 statr=多少 : 所谓的网页Parser : 就是你去下载某些 html 档案 : 检视原始码 : 然後找出你需要的资料 : 再找出一些能 cut 的规则 : 用 strsplit 搭配 TR , TD 之类的字串去切出你要的资料 : 6.特定字元取代 (1st hit) : x <- "AABB" : sub("A",replacement="C",x) ---->>> "CABB" : 6-2.全部特定字元取代 (global hit) : x <- "AABB" : gsub("A",replacement="C",x) ---->>> "CCBB" : 7.计算字串长度 : ### 尽量别用这个 fuction : x <- c("A","AAA","AAAAA") : nchar(x) ---->>> 1 3 5 : nchar(as.factor(x)) ---->>> 1 1 1 : 8.多重字元(串)贴合 (矩阵内) : x <- matrix(letters[1:6],2,3) : apply(x,1,paste,collapse="") ---->>> "ace","bdf" : apply(x,2,paste,collapse="") ---->>> "abc","def" : 9. 字元反转 : x <- c("A B","*.") : sapply(lapply(strsplit(as.character(x), NULL), rev), paste, collapse="") : [1] "B A" ".*" : 10.字元检查 : x <- c("A B","*.") : unique(unlist(strsplit(as.character(x),split="",fixed=T))) : [1] "A" " " "B" "*" "." : ----------------------------------------------------------- : Regular expression : 字串模糊比对 , 或特定字母排列模式的抓取 : 在R内 : 基本上分成3种 : Basic regular expression (BRE) --> extended = FALSE : Extended regularexpression (ERE) --> extended = TRUE (预设) : perl-like (perl) --> perl = TRUE : 双冒号代表我测试过且成功 : 单冒号代表网路上抓下来或是测试失败 : -------------------------------------------------------------- : 通用部分 : {,} : * :: {0, } 至少出现0次, 最多无限多次 : + :: {1, } 1 无限多次 : ? :: {0,1} 0 1 : [Aa] :: A 或 a : [^1-9] :: not 1:9 : [1-9] :: 1:9 : [a-z] :: a b c ... z : [A-Z] :: A B C ... Z : [a-zA-Z] :: 所有英文字母 : [W-z] :: WXYZabc....z : [w-Z] :: 不可使用! : (AB) :: 括号一次收集多个字元 ### 一种延伸字串的写法 : 举例 : : x <- c("company","companies",) : 可以用以下两种写法 : 1. grep("[company|companies]",x) : 2. grep("compan(y|ies)",x) : 第二种在大资料的时候会比较快 : $ :: 字尾限定 : ^ :: 字首限定 : | :: "ABC|EFG" --> grep("ABC"or"DEF",x) : . :: 任意字元 : ----------------------------------------------------- : ERE , extended = TRUE : digit (数字) : \\d :: [0-9] : \\D :: [^0-9] : [[:digit:]] :: 同上 : [^[:digit:]] :: 同上 : blank (空白) : \\s :: 能切开 " " 或 "\t" : \\S :: 切开非空白及 tab 的字元 : [[:blank:]] :: 同上 : [^[:blank:]] :: 同上 : AlphaBet + Digit (正常字元) : \\w :: [0-9a-zA-Z] : \\W :: [^0-9a-zA-Z] : [[:alnum:]] :: 同上 : [^[:alnum:]] :: 同上 : AlphaBet (英文字元) : [[:alpha:]] :: 同上 : [^[:alpha:]] :: 同上 : 特殊符号 : [[:punct:]] :: ! " # $ % & ' ( ) * + , - . : / : ; < = > ? @ [ \ ] ^ _ ` { | } ~ : [^[:punct:]] :: 英文字 , 数字 (注意! , \t 和 \n 都会被切掉) : 注意 ! 正斜线这个符号很容易与其他 regular expr 混淆 : 必须仔细检查 "\" 存在的字串 : 可印符号 : [[:print]] :: 所有字元 (数字,字母,特殊符号,空白) : \n , \t , \001 除外 : 16进位字元 : [[:xdigit:]] :: 16进位有关英文或数字 : [0-9a-fA-F] : 大小写英文字元 : [[:upper:]] :: 大写英文字元 [A-Z] : [^[:upper:]] :: 非大写 [^A-Z] : [[:lower:]] :: 小写 [a-z] : [^[:lower:]] :: ^[a-z] : 注意 "\t" 还是会被留下来 : 空白和换行等 : [[:space:]] :: " " , \t , \n , \f , \r : (\f : 换行但不回到行头) : (\r : 回到行头并消除此行内所有的文字) : P.S. 这两种不常用,当豆知识即可 : [[:graph:]] :: [A-Za-z0-9]再加[["punct"]] : ---------------------------------------------------------- : perl = TRUE : \\w : [A-Za-z0-9_] : \\W : [^A-Za-z0-9_] : \\s : [\t\n\r\f] : \\S : [^\t\n\r\f] : \\d : [0-9] : \\D : [^0-9] : ---------------------------------------------------------- : regular expression 工事中 (未完) : 感觉这篇被我当笔记来用了 : reference: : 1. http://www.rtfiber.com.tw/~changyj/ : 2. http://www.stat.psu.edu/~dhunter/R/html/base/html/regex.html : ---------------------------------------------------------- : 大小写切换 : TRUTH <- c("Abc","ABC") : a <- gsub("(\\w)","\\L\\1",TRUTH,perl=TRUE) ---> "abc","abc" : b <- gsub("^(\\w)","\\U\\1",a,perl=TRUE) ---> "Abc","Abc" : 同上 , 非常神秘的 Bug !? : T123 <- c("Tgfbr1","Cd320","Ndrg3","Aldoa","Bckdk","Tmed3","Hfe2") : > gsub( "(\\w)", "\\L\\1" , T123 , perl=T) : [1] "LTLgLfLbLrL1" "LCLdL3L2L0" "LNLdLrLgL3" : [4] "LALlLdLoLa" "LBLcLkLdLk" "LTLmLeLdL3" : [7] "LHLfLeL2" : > gsub( "(\\w)", "\\L\\1" , T123 , perl=TRUE) : [1] "tgfbr1" "cd320" "ndrg3" "aldoa" "bckdk" "tmed3" : [7] "hfe2" : --------------------------------------- : 消除多余空白 : > x <- "Hey! Apple " : > gsub(" {2,}","",x) : [1] "Hey! Apple" ### 容忍一个空白 , 但两个以上至无限大则消除 : --------------------------------------- : 在处理混合字串与数字的资料矩阵的时候 : 常常需要在 data.frame 和 matrix 之间切换 : 有时候会字串会被一些预设的空白字元夹住 : ex: : "1" , "15" , "333" : 经过转换以後 : " 1" , " 15" , "333" (fit 最长字串的长度) : > DATA <- gsub("^ *| *$",as.matrix(DATA)) : --------------------------------------- : ### 一些参考的 pattern : 1. "^\\d+$" ### 纯数字的栏位 ### : 2. "^ *| *$" ### 字首字尾的空白(搭配 gsub) ### : 3. "^[0][\\.]{0,1}[0]*$" ### "0" "0.0" "0.00" "0.000" "0.0000" , : bug 是 "0." "00" : #################################################################### : 放一些 linux 下的好用指令 : 光用 R 来做字串处理不够用 : 原因在於若处理的档案太大 : 光是读进 R 就累死人 : 这边主要是应用在档案减肥 : 文字档案 : rs123\t0|1:0000\tAAAA : rs456\t1|0:0000\tBBBB : ################### : 横向 : grep [-w : word] : [-f : 给 pattern file] : [-F : 精确比对] ### 若要搜寻固定字串 , -F必下 (快超多) : 1. cat 文字档案|grep -w 'rs' ### 没东西 : 2. cat 文字档案|grep -w -F 'rs123' ### 出第一行 : 3. car 文字档案|grep -w '^rs.*$' ### 二行皆出 : ################### : 纵向 : cut [-d : 用tab切开会是3个column的矩阵] : 1. cut -d'\t' -f1,2 原档 > 新档 ### 留下 1 and 2 columns : ################### : 横向 : sed : 1. sed -n '6,$p' 原档 > 新档 ### 从第六行开始 , print 至尾行 : ### 或可理解成, 把 1~5行切掉 : 2. sed 's/:\S*/HAHA/g' 原档 > 新档 ### s=取代 , g=global : ### 把红色的正规 pattern 取代成绿色 : ################### : 当档案有 10000000 rows , 读不进 R 怎办? : 就算读进 R , 资料太大一直 SWAP 电脑动不了怎麽办? : 经过一番苦战 : 我建议以下的思考方式 : 0. 先透过上述方式 : 直接在终端机把档案减肥 : 1. 档案列数 <- system("wc -l 档案",intern=TRUE) : LOOP <- ceiling(档案列数 / 5000) : for(g in 1:LOOP) ### 用while可省前两行 : { tmp <- read.table(档案,skip=5000*(g-1),nrow=5000) ### 但我只熟 for : expr(中间的各种处理) : write.table(tmp,g) : Sys.sleep(5) ### 给一点时间让电脑回气 : } : 2. system("cat 小档案1 小档案2 小档案3 .... > 总档案") ### 档案 rbind() : 虽然不是最快的方法 : 但 Over night 是一定可以把档案处理完的 : 以上 -- 欢迎加入 Taiwan R User Group : http://www.facebook.com/Tw.R.User 我们每周一都有在「政大公企中心(台北市金华街187号)西楼WB05」 举办Machine Learning / Data Mining Monday: 报名 http://www.meetup.com/Taiwan-R/ 聚会影片 https://www.youtube.com/user/TWuseRGroup --

※ 发信站: 批踢踢实业坊(ptt.cc) ◆ From: 118.166.97.9