13 R中的字符串处理

13.1 本章学习目标

通过本章学习，你将能够：

掌握字符串长度、截取、大小写等基本操作
熟练使用 paste() 和 paste0() 拼接字符串
使用 strsplit() 拆分和 trimws() 清洗字符串
使用 sprintf() 进行格式化输出
掌握 grep()、sub()、gsub() 进行模式匹配与替换
使用 regexpr() + regmatches() 提取匹配内容
能够独立完成字符串数据清洗任务

13.2 字符串长度与字符统计

你已经见过 nchar()：

Code

nchar("hello")

[1] 5

👉 nchar() 返回字符数；type = "bytes" 返回字节数（中文字符通常占 2-3 个字节）。

nchar() 和 length() 是两回事：

Code

x <- c("a", "abc", "abcde")
length(x)     # 3 —— 向量里有几个元素

[1] 3

Code

nchar(x)      # 1 3 5 —— 每个元素有几个字符

[1] 1 3 5

👉 一个问”向量多长”，一个问”每个字符串多长”。不要搞混。

13.3 字符串截取与替换

substr(x, start, stop) 按位置截取子串：

Code

substr("hello", 2, 4)           # "ell"

[1] "ell"

substr() 还能用于原地修改：

Code

x <- "hello"
substr(x, 1, 1) <- "H"
x                              # "Hello"

[1] "Hello"

13.4 大小写转换

Code

toupper("hello")               # "HELLO"

[1] "HELLO"

Code

tolower("HELLO")               # "hello"

[1] "hello"

Code

casefold("HELLO")              # "hello"（默认 upper = FALSE）

[1] "hello"

Code

casefold("hello", upper = TRUE) # "HELLO"

[1] "HELLO"

chartr() 可以按字符一一对应地翻译：

Code

chartr("a-z", "A-Z", "hello")   # "HELLO"

[1] "HELLO"

Code

chartr("aeiou", "AEIOU", "hello")  # "hEllO"

[1] "hEllO"

13.5 字符串拼接

paste() 和 paste0() 是 R 中最常用的拼接函数：

Code

paste("A", "B", "C")            # "A B C"（默认空格分隔）

[1] "A B C"

Code

paste("A", "B", sep = "-")      # "A-B"

[1] "A-B"

Code

paste0("A", "B", "C")           # "ABC"（等价于 paste(..., sep = "")）

[1] "ABC"

👉 记住：paste0() = paste(sep = "")，不带分隔符。

向量化拼接——不同长度的向量会自动循环：

Code

paste("sample", 1:3, sep = "_")   # "sample_1" "sample_2" "sample_3"

[1] "sample_1" "sample_2" "sample_3"

collapse 参数把向量折叠成单个字符串：

Code

paste(c("A", "B", "C"), collapse = ", ")  # "A, B, C"

[1] "A, B, C"

Code

paste(letters[1:5], collapse = "-")       # "a-b-c-d-e"

[1] "a-b-c-d-e"

👉 sep 是多个参数之间的分隔符，collapse 是把向量元素合并成一个。

13.6 字符串拆分

strsplit() 按分隔符拆分，返回列表：

Code

strsplit("a,b,c", split = ",")            # 返回列表

[[1]]
[1] "a" "b" "c"

Code

strsplit("a,b,c", split = ",")[[1]]       # c("a", "b", "c")

[1] "a" "b" "c"

👉 为什么返回列表？因为拆分后每段长度可能不同，只有列表能容纳。

Code

# 拆分为单个字符
strsplit("abcdef", split = "")

[[1]]
[1] "a" "b" "c" "d" "e" "f"

Code

# 向量化拆分
strsplit(c("a,b", "c,d,e"), split = ",")

[[1]]
[1] "a" "b"

[[2]]
[1] "c" "d" "e"

Code

# unlist 拉平
unlist(strsplit(c("a,b", "c,d,e"), split = ","))

[1] "a" "b" "c" "d" "e"

13.7 去除空白

trimws() 去除首尾空白：

Code

trimws("  hello  ")                  # "hello"

[1] "hello"

Code

trimws("  hello  ", which = "left")  # "hello  "

[1] "hello  "

Code

trimws("  hello  ", which = "right") # "  hello"

[1] "  hello"

清洗数据框中的字符列：

Code

df <- data.frame(name = c(" 张三 ", " 李四  "), score = 1:2)
df$name <- trimws(df$name)
df

  name score
1 张三     1
2 李四     2

13.8 格式化输出

sprintf() 用格式占位符生成指定格式的字符串：

Code

sprintf("编号%03d", 7)            # "编号007"（零填充到3位）

[1] "编号007"

Code

sprintf("%.2f", 3.14159)          # "3.14"（两位小数）

[1] "3.14"

Code

sprintf("%s：%d", "样本", 1:3)    # "样本：1" "样本：2" "样本：3"

[1] "样本：1" "样本：2" "样本：3"

Code

sprintf("%10s", "abc")            # "       abc"（右对齐，宽度10）

[1] "       abc"

Code

sprintf("%-10s", "abc")           # "abc       "（左对齐，宽度10）

[1] "abc       "

Code

sprintf("%05d", 42)               # "00042"（整数零填充）

[1] "00042"

常用格式符：

格式符	含义
`%s`	字符串
`%d`	整数
`%f`	浮点数
`%e`	科学计数法


for (i in 1:10) {
  
  filename <- sprintf("Fig_%02d.png", i)
  
  png(filename, width = 800, height = 600)
  
  x <- 1:20
  y <- rnorm(20, mean = i * 2, sd = 3)
  
  plot(x, y, type = "b", pch = 16, col = i + 1, lwd = 2,
       main = paste0("Figure_", i),
       xlab = "x", ylab = "y")
  
  dev.off()
}

13.9 模式匹配：查找

grep() 返回匹配元素的索引，grepl() 返回逻辑向量：

Code

x <- c("apple", "banana", "grape", "pear", "apricot")

grep("^a", x)                     # 1 5（索引）

[1] 1 5

Code

grep("^a", x, value = TRUE)       # "apple" "apricot"（值）

[1] "apple"   "apricot"

Code

grepl("^a", x)                    # TRUE FALSE FALSE FALSE TRUE

[1]  TRUE FALSE FALSE FALSE  TRUE

👉 grepl() 返回逻辑向量，可以直接用于 [ ] 筛选或 subset()。

Code

# 逻辑向量筛选
x[grepl("a", x)]                  # 所有含 a 的元素

[1] "apple"   "banana"  "grape"   "pear"    "apricot"

Code

# 忽略大小写
grep("A", c("apple", "Apple"), ignore.case = TRUE)

[1] 1 2

Code

# 反向匹配
grep("a", x, invert = TRUE)       # pear（不含 a 的元素）

integer(0)

13.10 模式匹配：替换

sub() 替换首次匹配，gsub() 替换全部匹配：

Code

sub("a", "X", "banana")           # "bXnana"（仅第一个）

[1] "bXnana"

Code

gsub("a", "X", "banana")          # "bXnXnX"（全部）

[1] "bXnXnX"

👉 工作中绝大多数情况用 gsub()，因为通常要把所有匹配都替换掉。

Code

# 删除多余空格
gsub("\\s+", " ", "a  b   c")    # "a b c"

[1] "a b c"

Code

# 向量化替换
fruits <- c("apple", "pear")
gsub("p", "P", fruits)            # "aPPle" "Pear"

[1] "aPPle" "Pear"

Code

# 删除所有数字
gsub("\\d", "", "abc123def456")   # "abcdef"

[1] "abcdef"

13.11 模式匹配：提取

regexpr() / gregexpr() 返回匹配位置，配合 regmatches() 提取匹配文本：

Code

# 提取首次匹配
x <- "ID编号007"
m <- regexpr("\\d+", x)
regmatches(x, m)                  # "007"

[1] "007"

Code

# 提取全部匹配
x <- "a1b22c333"
m <- gregexpr("\\d+", x)
regmatches(x, m)                  # list("1", "22", "333")

[[1]]
[1] "1"   "22"  "333"

Code

# 提取邮箱域名（需要 perl = TRUE 支持后顾断言）
email <- "user@example.com"
m <- regexpr("(?<=@)\\S+", email, perl = TRUE)
regmatches(email, m)              # "example.com"

[1] "example.com"

Code

# 批量提取
emails <- c("a@gmail.com", "b@163.com", "c@qq.com")
m <- gregexpr("(?<=@)\\S+", emails, perl = TRUE)
unlist(regmatches(emails, m))     # "gmail.com" "163.com" "qq.com"

[1] "gmail.com" "163.com"   "qq.com"

👉 perl = TRUE 启用 PCRE 引擎，支持后顾断言 (?<=...) 等高级特性。

13.12 正则表达式速查

R 默认使用 TRE 正则引擎，设置 perl = TRUE 可使用 PCRE 引擎。

模式	含义	示例
`.`	任意单个字符	`a.b` 匹配 “aab”
`^`	行首	`^a` 以 a 开头
`$`	行尾	`a$` 以 a 结尾
`\\d`	数字 `[0-9]`	`\\d+` 提取数字
`\\w`	单词字符	`\\w+` 提取单词
`\\s`	空白字符	`\\s+` 匹配连续空格
`[abc]`	字符类	a、b 或 c
`[^abc]`	否定字符类	非 a、b、c
`*`	零次或多次	`a*`
`+`	一次或多次	`a+`
`?`	零次或一次	`a?`
`{n}`	恰好 n 次	`\\d{4}` 4位数字
`{n,m}`	n 到 m 次	`\\d{2,4}`
`()`	捕获分组	`(\\d+)-(\\d+)`
`\|`	或	`apple\\|banana`

Code

grep("^\\d{3}-\\d{4}", c("010-1234", "01-1234"))  # 匹配电话区号

[1] 1

Code

gsub("[[:punct:]]", "", "Hello, World!")            # 去掉所有标点

[1] "Hello World"

Code

gsub("[^0-9]", "", "电话：138-1234-5678")           # 只保留数字

[1] "13812345678"

13.13 综合应用示例

批量处理文件名——提取日期并转格式：

Code

files <- c("report_20240115.csv", "data_20231201.pdf",
           "summary_20240320.xlsx")

# 提取 8 位日期
m <- regexpr("\\d{8}", files)
dates <- regmatches(files, m)
dates  # "20240115" "20231201" "20240320"

[1] "20240115" "20231201" "20240320"

Code

# 转为标准格式
gsub("(\\d{4})(\\d{2})(\\d{2})", "\\1-\\2-\\3", dates)

[1] "2024-01-15" "2023-12-01" "2024-03-20"

Code

# "2024-01-15" "2023-12-01" "2024-03-20"

数据框清洗——统一清理字符列：

Code

df <- data.frame(
  name  = c(" 张三 ", "李  四", "王五"),
  phone = c("138-1234-5678", "(010)82345678", "13912345678"),
  stringsAsFactors = FALSE
)

df$name <- trimws(df$name)                         # 去首尾空白
df$name <- gsub("\\s+", "", df$name)               # 去内部空格
df$phone <- gsub("[^0-9]", "", df$phone)           # 只保留数字
df

  name       phone
1 张三 13812345678
2 李四 01082345678
3 王五 13912345678

文本分词与词频统计：

Code

text <- c("R is a language for statistical computing",
          "Python is a general purpose language")

words <- unlist(strsplit(tolower(text), " "))
freq <- sort(table(words), decreasing = TRUE)
head(freq, 8)

words
        a        is  language computing       for   general   purpose    python 
        2         2         2         1         1         1         1         1

13.14 本章总结

长度：nchar() 字符数，length() 元素数
截取：substr() / substring() 按位置提取，substr() 可赋值修改
大小写：toupper()、tolower()、casefold()；chartr() 字符翻译
拼接：paste() / paste0()，sep 分隔参数，collapse 折叠向量
拆分：strsplit()，返回列表，用 [[ ]] 或 unlist() 提取
空白：trimws() 去首尾空白
格式化：sprintf() 用 %s、%d、%f 生成格式化字符串
查找：grep() 返回索引，grepl() 返回逻辑值
替换：sub() 换首个，gsub() 换全部
提取：regexpr() / gregexpr() + regmatches() 提取匹配内容

👉 字符串处理是数据清洗的基本功。 打开 RStudio，把每个函数的例子都动手跑一遍。