《R for Data Science (2e)》免费中文翻译 (第14章) --- Strings（1）

写在前面

本系列推文为《R for Data Science (2)》的中文翻译版本。所有内容都通过开源免费的方式上传至Github，欢迎大家参与贡献，详细信息见：
Books-zh-cn 项目介绍：
Books-zh-cn：开源免费的中文书籍社区
r4ds-zh-cn Github 地址：
https://github.com/Books-zh-cn/r4ds-zh-cn
r4ds-zh-cn 网站地址：
https://books-zh-cn.github.io/r4ds-zh-cn/

14.1 介绍

到目前为止，您已使用过大量字符串却未深入了解其细节。现在我们将深入探索字符串的本质特性，并掌握一些强大的字符串处理工具。

首先我们将详细介绍创建字符串和字符向量的方法。接着学习如何从数据中生成字符串，以及反过来如何从数据中提取字符串。随后我们将探讨处理单个字母的工具。本章最后将介绍针对单个字母操作的函数，并简要讨论英语使用习惯在处理其他语言时可能导致的认知偏差。

下一章我们将继续研究字符串，届时您将深入了解正则表达式的强大功能。

14.1.1 先决条件

本章我们将使用 stringr 包中的函数，该包是核心 tidyverse 的组成部分。我们还会使用 babynames 数据集，因为它提供了一些有趣的字符串供我们操作。

复制代码

library(tidyverse)
library(babynames)

您可以快速识别何时在使用 stringr 函数，因为所有 stringr 函数都以 str_ 开头。如果您使用 RStudio，这个特性尤其有用，因为输入 str_ 会触发自动补全功能，帮助您回忆可用的函数。

14.2 创建字符串

本书前面曾顺带创建过字符串但未讨论细节。首先可以使用单引号（'）或双引号（"）创建字符串。两者行为并无差异，根据一致性原则，tidyverse style guide 建议使用 "，除非字符串本身包含多个 "。

复制代码

string1 <- "This is a string"
string2 <- 'If I want to include a "quote" inside a string, I use single quotes'

如果忘记闭合引号，你会看到 + 这个续行提示符：

复制代码

> "This is a string without a closing quote
+ 
+ 
+ HELP I'M STUCK IN A STRING

若遇到这种情况且无法判断该闭合哪个引号，请按 Esc 键取消操作后重试。

14.2.1 转义

要在字符串中包含原义的单引号或双引号，可使用反斜杠 \ 进行转义：

复制代码

double_quote <- "\"" # or '"'
single_quote <- '\'' # or "'"

因此若需要在字符串中包含原义的反斜杠，则必须对其进行转义："\\"：

复制代码

backslash <- "\\"

请注意字符串的打印显示结果与其实际内容不同，因为打印显示会呈现转义符（换句话说，当打印字符串时，你可以复制粘贴输出内容来重建该字符串）。 To see the raw contents of the string, use str_view(): 要查看字符串的原始内容，请使用 str_view()：

复制代码

x <- c(single_quote, double_quote, backslash)
x
#> [1] "'"  "\"" "\\"

str_view(x)
#> [1] │ '
#> [2] │ "
#> [3] │ \

14.2.2 原始字符串

创建包含多个引号或反斜杠的字符串会很快变得令人困惑。为了说明这个问题，我们创建一个包含定义 double_quote 和 single_quote 变量代码块内容的字符串：

复制代码

tricky <- "double_quote <- \"\\\"\" # or '\"'
single_quote <- '\\'' # or \"'\""
str_view(tricky)
#> [1] │ double_quote <- "\"" # or '"'
#>     │ single_quote <- '\'' # or "'"

这里出现了大量反斜杠！（这种情况有时被称为 leaning toothpick syndrome。）要避免转义，可以使用原始字符串：

复制代码

tricky <- r"(double_quote <- "\"" # or '"'
single_quote <- '\'' # or "'")"
str_view(tricky)
#> [1] │ double_quote <- "\"" # or '"'
#>     │ single_quote <- '\'' # or "'"

原始字符串通常以 r"( 开头，以 )" 结尾。但如果字符串包含 )"，则可以改用 r"[]" 或 r"{}"，若仍不足以处理，还可以插入任意数量的破折号使起始和结束标记唯一，例如 r"--()--"``、r"---()---"`` 等。原始字符串的灵活性足以处理任何文本。

14.2.3 其他特殊字符

除了 \"、\' 和 \\ 之外，还有一些其他可能用到的特殊字符。最常见的是\n（换行符）和\t（制表符）。有时你还会看到以\u或\U开头的Unicode转义字符串。这是一种可在所有系统中编写非英文字符的方法。你可以在?Quotes中查看其他特殊字符的完整列表。

复制代码

x <- c("one\ntwo", "one\ttwo", "\u00b5", "\U0001f604")
x
#> [1] "one\ntwo" "one\ttwo" "µ"        "😄"
str_view(x)
#> [1] │ one
#>     │ two
#> [2] │ one{\t}two
#> [3] │ µ
#> [4] │ 😄

请注意，str_view() 使用蓝色背景来显示制表符以便更容易识别。处理文本时的挑战之一在于空白字符可能存在多种表现形式，这种背景色有助于您察觉异常情况。

14.2.4 练习

创建包含以下值的字符串：
1. He said "That's amazing!"
2. \a\b\c\d
3. \\\\\\
在你的 R 会话中创建该字符串并打印。特殊字符 "\u00a0" 会如何显示？str_view() 会如何呈现它？你能通过搜索查到这个特殊字符的含义吗？
复制代码
```
x <- "This\u00a0is\u00a0tricky"
```

14.3 从数据创建许多字符串

现在你已学会手动创建字符串的基础知识，接下来我们将详细探讨如何基于其他字符串生成新字符串。这将帮助你解决一个常见问题：如何将自编文本与数据框中的字符串组合。例如，你可以将 "Hello" 与 name 变量结合来创建问候语。我们将演示如何使用 str_c() 和 str_glue() 实现这一功能，以及如何将它们 mutate() 结合使用。这自然引出了关于哪些字符串函数可与 summarize() 配合使用的问题，因此本节最后将讨论字符串的汇总函数 str_flatten()。

14.3.1 str_c()

str_c() 可接受任意数量的向量作为参数，并返回一个字符向量：

复制代码

str_c("x", "y")
#> [1] "xy"
str_c("x", "y", "z")
#> [1] "xyz"
str_c("Hello ", c("John", "Susan"))
#> [1] "Hello John"  "Hello Susan"

str_c() 与基础的 paste0() 非常相似，但遵循 tidyverse 的循环和缺失值传递规则，专为与 mutate() 配合使用而设计：

复制代码

df <- tibble(name = c("Flora", "David", "Terra", NA))
df |> mutate(greeting = str_c("Hi ", name, "!"))
#> # A tibble: 4 × 2
#>   name  greeting 
#>   <chr> <chr>    
#> 1 Flora Hi Flora!
#> 2 David Hi David!
#> 3 Terra Hi Terra!
#> 4 <NA>  <NA>

若希望以其他方式显示缺失值，可使用 coalesce() 进行替换。根据具体需求，可选择在 str_c() 内部或外部使用：

复制代码

df |> 
  mutate(
    greeting1 = str_c("Hi ", coalesce(name, "you"), "!"),
    greeting2 = coalesce(str_c("Hi ", name, "!"), "Hi!")
  )
#> # A tibble: 4 × 3
#>   name  greeting1 greeting2
#>   <chr> <chr>     <chr>    
#> 1 Flora Hi Flora! Hi Flora!
#> 2 David Hi David! Hi David!
#> 3 Terra Hi Terra! Hi Terra!
#> 4 <NA>  Hi you!   Hi!

14.3.2 str_glue()

如果你使用 str_c() 混合许多固定字符串和变量字符串，会发现需要输入大量 "，导致代码整体目标难以看清。 glue package 通过str_glue()提供了另一种解决方案：只需输入一个具有特殊功能的字符串------任何在 {} 内的内容都会像在引号外一样被解析执行：

复制代码

df |> mutate(greeting = str_glue("Hi {name}!"))
#> # A tibble: 4 × 2
#>   name  greeting 
#>   <chr> <glue>   
#> 1 Flora Hi Flora!
#> 2 David Hi David!
#> 3 Terra Hi Terra!
#> 4 <NA>  Hi NA!

如你所见，str_glue() 目前会将缺失值转换为 "NA" 字符串，这不幸地导致了与str_c() 的不一致。

你可能也好奇如果需要在字符串中包含常规的{或}时会发生什么。如果你猜测需要以某种方式转义它们，那么你的思路是正确的。技巧在于glue采用了略微不同的转义技术：不是使用像\这样的特殊字符作为前缀，而是将特殊字符加倍：

复制代码

df |> mutate(greeting = str_glue("{{Hi {name}!}}"))
#> # A tibble: 4 × 2
#>   name  greeting   
#>   <chr> <glue>     
#> 1 Flora {Hi Flora!}
#> 2 David {Hi David!}
#> 3 Terra {Hi Terra!}
#> 4 <NA>  {Hi NA!}

14.3.3 str_flatten()

str_c() 和 str_glue() 与 mutate() 配合良好，因为它们的输出长度与输入相同。如果你需要适用于 summarize() 的函数，即总是返回单个字符串？这就是str_flatten()的功能：它接收字符向量并将向量的每个元素组合成单个字符串：

复制代码

str_flatten(c("x", "y", "z"))
#> [1] "xyz"
str_flatten(c("x", "y", "z"), ", ")
#> [1] "x, y, z"
str_flatten(c("x", "y", "z"), ", ", last = ", and ")
#> [1] "x, y, and z"

这使得它能与 summarize() 良好配合：

复制代码

df <- tribble(
  ~ name, ~ fruit,
  "Carmen", "banana",
  "Carmen", "apple",
  "Marvin", "nectarine",
  "Terence", "cantaloupe",
  "Terence", "papaya",
  "Terence", "mandarin"
)
df |>
  group_by(name) |> 
  summarize(fruits = str_flatten(fruit, ", "))
#> # A tibble: 3 × 2
#>   name    fruits                      
#>   <chr>   <chr>                       
#> 1 Carmen  banana, apple               
#> 2 Marvin  nectarine                   
#> 3 Terence cantaloupe, papaya, mandarin

14.3.4 练习

比较以下输入中 paste0() 与 str_c() 的结果差异：
复制代码
```
str_c("hi ", NA)
str_c(letters[1:2], letters[1:3])
```
paste() 和 paste0() 有什么区别？如何用 str_c() 实现与 paste() 等效的功能？
将下列表达式在 str_c() 和 str_glue() 之间进行转换：

a. str_c("The price of ", food, " is ", price)

b. str_glue("I'm {age} years old and live in {country}")

c. str_c("\\section{", title, "}")

14.4 从字符串中提取数据

将多个变量压缩到单个字符串中的情况十分常见。在本节中，您将学习使用四个 tidyr 函数来提取这些变量：

df |> separate_longer_delim(col, delim)
df |> separate_longer_position(col, width)
df |> separate_wider_delim(col, delim, names)
df |> separate_wider_position(col, widths)

仔细观察可以发现这里存在通用模式：separate_，接着 longer 或 wider，然后 _，最后是 delim 或 position。这是因为这四个函数由两个更简单的基础操作组合而成：

与 pivot_longer() 和 pivot_wider() 类似，_longer 函数通过创建新行使输入数据框变长，而 _wider 函数通过生成新列使输入数据框变宽。
delim 使用分隔符（如 ", " 或 " "）拆分字符串；position 按指定宽度进行分割，如c(3, 5, 2)。

我们将在 Chapter 15 讨论该函数家族的最后一个成员 separate_wider_regex()。它是 wider 函数中最灵活的，但需要先了解正则表达式才能使用。

接下来两节将介绍这些 separate 函数的基本原理，先讲解拆分为行（相对简单），再讲解拆分为列。最后我们将讨论 wider 函数提供的诊断问题工具。

14.4.1 分成行

当每行的组成部分数量不一致时，将字符串拆分为行往往最为实用。最常见的情况是需要使用 separate_longer_delim() 根据分隔符进行拆分：

复制代码

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

在实际应用中 separate_longer_position() 较为少见，但一些旧数据集确实会采用非常紧凑的格式，每个字符都被用来记录一个值：

复制代码

df2 <- tibble(x = c("1211", "131", "21"))
df2 |> 
  separate_longer_position(x, width = 1)
#> # A tibble: 9 × 1
#>   x    
#>   <chr>
#> 1 1    
#> 2 2    
#> 3 1    
#> 4 1    
#> 5 1    
#> 6 3    
#> # ℹ 3 more rows

14.4.2 分成列

当每个字符串包含固定数量的组成部分且需要将其展开为列时，将字符串拆分为列最为实用。这比对应的 longer 函数稍复杂些，因为需要为列命名。例如在以下数据集中，x 由代码、版本号和年份组成，以"."分隔。使用 separate_wider_delim() 时，我们需要在两个参数中分别指定分隔符和列名：

复制代码

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

如果某个特定片段不需要，可以使用 NA 名称将其从结果中省略：

复制代码

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

separate_wider_position() 的工作方式略有不同，因为通常需要指定每列的宽度。因此需要提供一个命名的整数向量，其中名称表示新列的名称，值表示该列占据的字符数。通过不命名某些值可以将其从输出中省略：

复制代码

df4 <- tibble(x = c("202215TX", "202122LA", "202325CA")) 
df4 |> 
  separate_wider_position(
    x,
    widths = c(year = 4, age = 2, state = 2)
  )
#> # A tibble: 3 × 3
#>   year  age   state
#>   <chr> <chr> <chr>
#> 1 2022  15    TX   
#> 2 2021  22    LA   
#> 3 2023  25    CA

--------------- 未完待续 ---------------

本期翻译贡献：

@TigerZ生信宝库

注：本文已开启快捷转载，欢迎大家转载，只需标明文章出处即可。

《R for Data Science (2e)》免费中文翻译 (第14章) --- Strings（1）

写在前面

目录

14.1 介绍

14.1.1 先决条件

14.2 创建字符串

14.2.1 转义

14.2.2 原始字符串

14.2.3 其他特殊字符

14.2.4 练习

14.3 从数据创建许多字符串

14.3.1 str_c()

14.3.2 str_glue()

14.3.3 str_flatten()

14.3.4 练习

14.4 从字符串中提取数据

14.4.1 分成行

14.4.2 分成列