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

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/

separate_wider_delim() 要求固定且已知的列数。如果某些行没有预期数量的片段会发生什么？可能存在两种问题：片段过少或过多，因此 separate_wider_delim() 提供了两个参数来帮助处理：too_few 和 too_many。我们首先通过以下示例数据集看看 too_few 的情况：

复制代码

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")
  )
#> Error in `separate_wider_delim()`:
#> ! Expected 3 pieces in each element of `x`.
#> ! 2 values were too short.
#> ℹ Use `too_few = "debug"` to diagnose the problem.
#> ℹ Use `too_few = "align_start"/"align_end"` to silence this message.

您会注意到出现了错误，但该错误提供了一些后续操作建议。让我们从调试问题开始：

复制代码

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 ""

使用调试模式时，输出结果会添加三个额外列：x_ok、x_pieces 和 x_remainder（若分离不同名称的变量，前缀会相应变化）。此处 x_ok 可帮助快速定位失败的输入：

复制代码

debug |> filter(!x_ok)
#> # A tibble: 2 × 6
#>   x     y     z     x_ok  x_pieces x_remainder
#>   <chr> <chr> <chr> <lgl>    <int> <chr>      
#> 1 1-3   3     <NA>  FALSE        2 ""         
#> 2 1     <NA>  <NA>  FALSE        1 ""

x_pieces 显示找到的片段数量，与预期值 3（即names的长度）相比较。当片段过少时 x_remainder 没有实际用处，但我们稍后会再次见到它。

有时查看这些调试信息能发现分隔策略的问题，或表明在分离前需要更多预处理。此时应在上游解决问题，并确保移除 too_few = "debug" 以保证新问题会触发报错。

其他情况下，你可能希望用 NA 填充缺失片段后继续处理。这时可以使用 too_few = "align_start" 和 too_few = "align_end" 来控制 NA 的填充位置：

复制代码

df |> 
  separate_wider_delim(
    x,
    delim = "-",
    names = c("x", "y", "z"),
    too_few = "align_start"
  )
#> # A tibble: 5 × 3
#>   x     y     z    
#>   <chr> <chr> <chr>
#> 1 1     1     1    
#> 2 1     1     2    
#> 3 1     3     <NA> 
#> 4 1     3     2    
#> 5 1     <NA>  <NA>

片段过多时同样适用以下原则：

复制代码

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")
  )
#> Error in `separate_wider_delim()`:
#> ! Expected 3 pieces in each element of `x`.
#> ! 2 values were too long.
#> ℹ Use `too_many = "debug"` to diagnose the problem.
#> ℹ Use `too_many = "drop"/"merge"` to silence this message.

但现在，当我们调试结果时，可以看到 x_remainder 的作用：

复制代码

debug <- df |> 
  separate_wider_delim(
    x,
    delim = "-",
    names = c("x", "y", "z"),
    too_many = "debug"
  )
#> Warning: Debug mode activated: adding variables `x_ok`, `x_pieces`, and
#> `x_remainder`.
debug |> filter(!x_ok)
#> # A tibble: 2 × 6
#>   x         y     z     x_ok  x_pieces x_remainder
#>   <chr>     <chr> <chr> <lgl>    <int> <chr>      
#> 1 1-3-5-6   3     5     FALSE        4 -6         
#> 2 1-3-5-7-9 3     5     FALSE        5 -7-9

处理过多片段时选项略有不同：可以静默"丢弃"额外片段，或将其全部"合并"到最后一列：

复制代码

df |> 
  separate_wider_delim(
    x,
    delim = "-",
    names = c("x", "y", "z"),
    too_many = "drop"
  )
#> # A tibble: 5 × 3
#>   x     y     z    
#>   <chr> <chr> <chr>
#> 1 1     1     1    
#> 2 1     1     2    
#> 3 1     3     5    
#> 4 1     3     2    
#> 5 1     3     5

df |> 
  separate_wider_delim(
    x,
    delim = "-",
    names = c("x", "y", "z"),
    too_many = "merge"
  )
#> # A tibble: 5 × 3
#>   x     y     z    
#>   <chr> <chr> <chr>
#> 1 1     1     1    
#> 2 1     1     2    
#> 3 1     3     5-6  
#> 4 1     3     2    
#> 5 1     3     5-7-9

14.5 字母

本节我们将介绍处理字符串内单个字母的函数。您将学习如何获取字符串长度、提取子字符串，以及在图表和表格中处理长字符串的方法。

14.5.1 长度

str_length() 可显示字符串包含的字母数量：

复制代码

str_length(c("a", "R for data science", NA))
#> [1]  1 18 NA

您可以将其与 count() 结合使用来统计美国婴儿名字的长度分布，再通过 filter() 查看最长的名字，目前最长名字有 15 个字母：

复制代码

babynames |>
  count(length = str_length(name), wt = n)
#> # A tibble: 14 × 2
#>   length        n
#>    <int>    <int>
#> 1      2   338150
#> 2      3  8589596
#> 3      4 48506739
#> 4      5 87011607
#> 5      6 90749404
#> 6      7 72120767
#> # ℹ 8 more rows

babynames |> 
  filter(str_length(name) == 15) |> 
  count(name, wt = n, sort = TRUE)
#> # A tibble: 34 × 2
#>   name                n
#>   <chr>           <int>
#> 1 Franciscojavier   123
#> 2 Christopherjohn   118
#> 3 Johnchristopher   118
#> 4 Christopherjame   108
#> 5 Christophermich    52
#> 6 Ryanchristopher    45
#> # ℹ 28 more rows

14.5.2 子集化

您可以使用 str_sub(string, start, end) 来提取字符串的部分内容，其中 start 和 end 位置指定了子串的开始和结束点。start 和 end 参数具有包含性，因此返回字符串的长度将为 end - start + 1：

复制代码

x <- c("Apple", "Banana", "Pear")
str_sub(x, 1, 3)
#> [1] "App" "Ban" "Pea"

您可以使用负数值从字符串末尾向前计数：-1 表示最后一个字符，-2 表示倒数第二个字符，依此类推：

复制代码

str_sub(x, -3, -1)
#> [1] "ple" "ana" "ear"

请注意，如果字符串过短，str_sub() 不会报错：它会尽可能返回可用内容：

复制代码

str_sub("a", 1, 5)
#> [1] "a"

我们可以结合 str_sub() 与 mutate() 来找出每个名字的首字母和尾字母：

复制代码

babynames |> 
  mutate(
    first = str_sub(name, 1, 1),
    last = str_sub(name, -1, -1)
  )
#> # A tibble: 1,924,665 × 7
#>    year sex   name          n   prop first last 
#>   <dbl> <chr> <chr>     <int>  <dbl> <chr> <chr>
#> 1  1880 F     Mary       7065 0.0724 M     y    
#> 2  1880 F     Anna       2604 0.0267 A     a    
#> 3  1880 F     Emma       2003 0.0205 E     a    
#> 4  1880 F     Elizabeth  1939 0.0199 E     h    
#> 5  1880 F     Minnie     1746 0.0179 M     e    
#> 6  1880 F     Margaret   1578 0.0162 M     t    
#> # ℹ 1,924,659 more rows

14.5.3 练习

在计算婴儿名字长度分布时，我们为何使用 wt = n 参数？
运用 str_length() 和 str_sub() 函数提取每个婴儿名字的中间字母。如果字符串包含偶数个字符，您将如何处理？
婴儿名字的长度随时间推移是否存在显著趋势？首字母和尾字母的流行度又有哪些变化？

14.6 非英文文本

迄今为止，我们主要关注英语文本的处理，这类文本操作起来特别方便，原因有二。首先，英文字母表相对简单，仅包含 26 个字母。其次（或许更重要的），当今使用的计算基础设施主要由英语使用者设计。遗憾的是，我们无法全面探讨非英语语言的处理，但仍希望提醒您注意可能遇到的几个主要挑战：字符编码、字母变体以及依赖区域设置的函数。

14.6.1 编码

处理非英语文本时，第一个挑战通常是编码（encoding） 问题。要理解其中的原理，我们需要深入探究计算机如何表示字符串。在 R 中，可以使用 charToRaw() 获取字符串的底层表示：

复制代码

charToRaw("Hadley")
#> [1] 48 61 64 6c 65 79

这六个十六进制数字分别代表一个字母：48是H，61是a，依此类推。从十六进制数字到字符的映射称为编码，这里的编码叫做 ASCII。 ASCII 能出色地表示英文字符，因为它是美国信息交换标准代码。

但对非英语语言来说情况就不那么简单了。在计算机早期阶段，存在许多相互竞争的非英语字符编码标准。例如欧洲曾有两种不同编码：Latin1（即ISO-8859-1）用于西欧语言，而Latin2（即ISO-8859-2）用于中欧语言。在Latin1中，字节b1是"±"，但在Latin2中却是"ą"！幸运的是，如今有一个几乎无处不在的标准：UTF-8。 UTF-8 可以编码当今人类使用的几乎所有字符，以及许多额外符号（如表情符号）。

readr 在所有地方都使用 UTF-8。这是个很好的默认设置，但对于不使用 UTF-8 的旧系统产生的数据会读取失败。发生这种情况时，打印字符串会显示异常。有时可能只是一两个字符乱码，有时则会得到完全无法识别的乱码。例如以下是两个采用非常见编码的内联CSV文件：

复制代码

x1 <- "text\nEl Ni\xf1o was particularly bad this year"
read_csv(x1)$text
#> [1] "El Ni\xf1o was particularly bad this year"

x2 <- "text\n\x82\xb1\x82\xf1\x82\xc9\x82\xbf\x82\xcd"
read_csv(x2)$text
#> [1] "\x82\xb1\x82\xf1\x82ɂ\xbf\x82\xcd"

要正确读取这些数据，需要通过locale参数指定编码：

复制代码

read_csv(x1, locale = locale(encoding = "Latin1"))$text
#> [1] "El Niño was particularly bad this year"

read_csv(x2, locale = locale(encoding = "Shift-JIS"))$text
#> [1] "こんにちは"

如何找到正确的编码？如果幸运的话，数据文档的某个地方会注明编码方式。但遗憾的是这种情况很少见，因此 readr 提供 guess_encoding() 来帮助您识别。虽然这种方法并非万无一失，且文本量越大效果越好（与当前示例不同），但作为起点是合理的。通常需要尝试多种编码才能找到正确的方案。

编码是一个丰富而复杂的主题；我们在此仅触及表面。若想深入了解，建议阅读 http://kunststube.net/encoding/.

14.6.2 字母变化

处理带重音符号的语言时，确定字母位置（例如使用 str_length() 和 str_sub()）会面临重大挑战，因为带重音字母可能被编码为单个字符（如ü），也可能通过组合无重音字母（如u）和变音符号（如¨）形成两个字符。例如以下代码展示了两种看起来完全相同的ü表示方式：

复制代码

u <- c("\u00fc", "u\u0308")
str_view(u)
#> [1] │ ü
#> [2] │ ü

但两个字符串的长度不同，且它们的首字符也不同：

复制代码

str_length(u)
#> [1] 1 2
str_sub(u, 1, 1)
#> [1] "ü" "u"

最后要注意的是：使用 == 比较这些字符串时会被解析为不同，而 stringr 中的实用函数 str_equal() 能识别它们具有相同显示效果：

复制代码

u[[1]] == u[[2]]
#> [1] FALSE

str_equal(u[[1]], u[[2]])
#> [1] TRUE

14.6.3 与语言环境相关的函数

最后要注意的是：有部分stringr函数的行为会依赖于区域（locale） 设置。区域设置类似于语言选项，但包含可选的地区标识符以处理语言内的地域差异。区域设置由小写语言代码指定，可选择后接_和大写地区标识符。例如"en"代表英语，"en_GB"代表英式英语，"en_US"代表美式英语。若不清楚所需语言代码，Wikipedia提供详细列表，也可通过stringi::stri_locale_list()查看stringr支持的区域设置。

Base R 的字符串函数会自动使用操作系统设置的区域。这意味着 base R 字符串函数会按您预期的语言方式工作，但若与不同国家的用户共享代码，其运行结果可能不同。为避免此问题，stringr 默认采用"en"区域设置（英语规则），需要您显式指定locale参数来覆盖。幸运的是，有两类函数特别受区域设置影响：大小写转换和排序。

不同语言的大小写转换规则存在差异。例如土耳其语有两个i：带点和不带点的。由于这是两个不同的字母，它们的大写形式也不同：

复制代码

str_to_upper(c("i", "ı"))
#> [1] "I" "I"
str_to_upper(c("i", "ı"), locale = "tr")
#> [1] "İ" "I"

字符串排序取决于字母表顺序，而不同语言的字母表顺序并不相同！例如在捷克语中，"ch"是一个复合字母，在字母表中排在h之后。

复制代码

str_sort(c("a", "c", "ch", "h", "z"))
#> [1] "a"  "c"  "ch" "h"  "z"
str_sort(c("a", "c", "ch", "h", "z"), locale = "cs")
#> [1] "a"  "c"  "h"  "ch" "z"

使用dplyr::arrange()进行字符串排序时也会出现这种情况，这就是为什么该函数同样具有locale参数。

14.7 总结

本章您已了解 stringr 包的部分功能：如何创建、组合和提取字符串，以及处理非英语字符串时可能面临的挑战。现在该学习字符串处理中最重要且强大的工具之一：正则表达式。正则表达式是一种非常简洁但极具表现力的语言，用于描述字符串中的模式，这将是下一章的主题。

或使用 base R 函数 writeLines()。
或使用 base R 函数 writeLines()。
在 R 4.0.0 及以上版本获取.
如果你没有使用 stringr，也可以直接通过glue::glue()调用该功能。
base R 中的等效函数是带有collapse参数的paste()函数。
同样原则适用于 separate_wider_position() 和 separate_wider_regex()。
查看这些条目时，我们推测 babynames 数据可能删除了空格或连字符，并在 15 个字母后进行了截断。
此处我使用特殊的\x将二进制数据直接编码到字符串中。
对中文等没有字母系统的语言进行排序则更为复杂。

--------------- 本章结束 ---------------

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（2）

写在前面

目录

14.4.3 诊断不断扩大的问题

14.5 字母

14.5.1 长度

14.5.2 子集化

14.5.3 练习

14.6 非英文文本

14.6.1 编码

14.6.2 字母变化

14.6.3 与语言环境相关的函数

14.7 总结