R通常被用來(lái)進(jìn)行數(shù)值計(jì)算比較多，字符串處理相對(duì)較少，而且關(guān)于字符串的函數(shù)也不多，用得多的就是substr、strsplit、paste、regexpr這幾個(gè)了。實(shí)際上R關(guān)于字符串處理的功能是非常強(qiáng)大的，因?yàn)樗踔量梢灾苯邮褂肞erl的正則表達(dá)式，這也是R的一個(gè)理念，作為語(yǔ)言就把向量計(jì)算做到極致，作為環(huán)境，就在各領(lǐng)域都集成最好的。R中有g(shù)rep系列的函數(shù)，可以用最強(qiáng)大的方式處理字符串的所有問(wèn)題

grep的全稱是global search regular expression and print out the line，是Unix下一種強(qiáng)大的文本搜索工具，可以通過(guò)正則表達(dá)式搜索文本，并把匹配的行打印出來(lái)，包括grep、egrep和fgrep（egrep是擴(kuò)展的grep，fgrep是快速的搜尋方式并沒(méi)有真正利用正則表達(dá)式）。Linux下使用GNU版的grep，該套規(guī)范也被廣泛地使用，R中的grep函數(shù)就是其中之一。

grep的核心就是正則表達(dá)式（Regular Expressions，通?？s寫為regex），所謂正則表達(dá)式，就是用某種模式去匹配一類字符串的一個(gè)公式，很多文本編輯器或者程序語(yǔ)言都支持該方式進(jìn)行字符串的操作，最開(kāi)始是由上文介紹的Unix工具grep之類普及的，后來(lái)得到廣泛應(yīng)用。尤其是Perl語(yǔ)言中將正則表達(dá)式發(fā)揮到了極致。

R中的正則表達(dá)式非常專業(yè)，從grep系列函數(shù)的參數(shù)就可以看出，有個(gè)參數(shù)“extended”，默認(rèn)為T，表示使用擴(kuò)展grep，也就是egrep，如果選擇為F就表示基礎(chǔ)的grep，不過(guò)該種方式不被R推薦，即使使用了也會(huì)出現(xiàn)警告，實(shí)際上grep能做的egrep也都能做，而且還要簡(jiǎn)單不少。我剛開(kāi)始在egrep中使用總是不能通過(guò)，后來(lái)發(fā)現(xiàn)其實(shí)egrep中更簡(jiǎn)單，很多時(shí)候直接寫在[]內(nèi)就行。還有一個(gè)參數(shù)“perl”，默認(rèn)為F，如果選擇T表示使用Perl的正則表達(dá)式規(guī)則，功能更加強(qiáng)大，不過(guò)如果沒(méi)有專門學(xué)過(guò)Perl語(yǔ)言的話用egrep也就夠了。另一個(gè)參數(shù)“fixed”雖然描述的不是同一個(gè)東西，但是也很相關(guān)，選擇之后就會(huì)進(jìn)行精確的匹配，不再使用正則表達(dá)式的規(guī)則，在效率上會(huì)快很多，我覺(jué)得這個(gè)可能就是fgrep。R的幫助文檔中也明確說(shuō)明了這三個(gè)參數(shù)實(shí)際上代表了四種模式，常規(guī)grep、擴(kuò)展grep、Perl正則表達(dá)式、精確匹配，使用者可以根據(jù)具體的含義選擇自己需要的，如果參數(shù)設(shè)置互有沖突，會(huì)自動(dòng)忽略后面的參數(shù)，并會(huì)在Warning中明確指出。

grep系列函數(shù)其實(shí)包括grep、grepl、sub、gsub、regexpr、gregexpr，他們的參數(shù)很類似，在R中也是把幫助文檔集成在了一起，查找任意一個(gè)都會(huì)得到一個(gè)統(tǒng)一的文檔。里面對(duì)各個(gè)參數(shù)也是一起介紹的，除了剛才說(shuō)的三個(gè)以外，第一個(gè)參數(shù)就是最重要的“pattern”，這是一個(gè)字符串，直接表示正則表達(dá)式，根據(jù)模式的不同注意規(guī)則就行，另外有個(gè)“x”表示要查找的向量，這也是R中的獨(dú)特之處，不是查找文件，而是查找向量，該處也可以只輸入一個(gè)字符串，就成了基礎(chǔ)的字符串處理函數(shù)。對(duì)于grep函數(shù)，結(jié)果只有匹配或者不匹配，因此匹配時(shí)輸出向量中該元素的下標(biāo)，如果是單個(gè)字符就輸出1，對(duì)于grepl，和grep其實(shí)一樣，不過(guò)輸出的是邏輯值，匹配就是T，不匹配就是F。參數(shù)“value”默認(rèn)為F，輸出的值就是剛才說(shuō)的元素下標(biāo)或者邏輯值，如果改成T，就會(huì)輸出查找的字符串。還有一個(gè)參數(shù)“ignore.case”，默認(rèn)是F，表示大小寫敏感，可以改為T，表示大小寫不敏感。參數(shù)“useBytes”默認(rèn)是F，表示按字符查找，如果是T則表示按字節(jié)查找，對(duì)于中文字符影響還是很大的。參數(shù)“invert ”默認(rèn)為F，表示正常的查找，如果為T則查找模式的補(bǔ)集。像sub和gsub這樣的替換函數(shù)，還多一個(gè)參數(shù)“replacement”，用來(lái)表示替換的字符。

這些函數(shù)的參數(shù)都比較類似，但是輸出各不一樣，grep輸出向量的下標(biāo)，實(shí)際上就是找到與沒(méi)找到，grepl返回的邏輯值更能說(shuō)明問(wèn)題。sub是一個(gè)很強(qiáng)大的替換函數(shù)，遠(yuǎn)勝過(guò)substr，正則表達(dá)式中可以設(shè)置非常靈活的規(guī)則，然后返回被替換后的字符串，如果正則表達(dá)式寫得好，基本可以解決所有子字符串的問(wèn)題。sub函數(shù)和gsub函數(shù)唯一的差別在于前者匹配第一次符合模式的字符串，后者匹配所有符合模式的字符串，也就是說(shuō)在替換的時(shí)候前者只替換第一次符合的，后者替換所有符合的。regexpr和gregexpr被使用的似乎比較多，因?yàn)樗鼈兒芟衿渌Z(yǔ)言中的instr函數(shù)，可以查找到某些字符在字符串中出現(xiàn)的位置，不過(guò)我覺(jué)得用處并不是很大，因?yàn)橥ǔＧ闆r下尋找某字符位置的目的就是為了做相關(guān)處理，而sub都能搞定。regexpr和gregexpr的關(guān)系和sub與gsub差不多，gregexpr操作向量時(shí)會(huì)返回列表。

以上就是grep系列函數(shù)的一些用法，根據(jù)例子可以很方便地使用，個(gè)人建議使用參數(shù)“pattern”和“x”就行（sub和gsub當(dāng)然還有replacement），其他的都用默認(rèn)的。在pattern中按照egrep的規(guī)則寫正則表達(dá)式，基本上可以解決所有的字符串處理問(wèn)題。只需要對(duì)正則表達(dá)式有簡(jiǎn)單的了解，就可以得到R中這些強(qiáng)大的功能。關(guān)于正則表達(dá)式的用法就在后文中分解了。

一、grep()函數(shù)

首先，grep函數(shù)可以像數(shù)據(jù)庫(kù)查詢一樣對(duì)向量中的具有特定條件的元素進(jìn)行查詢！

其次，介紹幾種R語(yǔ)言中的正則通配符：

（1）^匹配一個(gè)字符串的開(kāi)始，比如sub("^a","",c("abcd","dcba"))，表示將開(kāi)頭為a的字符串。如果要將開(kāi)頭的一個(gè)字符串替換，簡(jiǎn)單地寫成“^ab”就行。

（2）“$”匹配一個(gè)字符串的結(jié)尾，比如sub("a$","",c("abcd","dcba"))表示將以a結(jié)尾的字符串。

（3）"."表示除了換行符以外的任一字符，比如sub("a.c","",c("abcd","sdacd"))。

（4）“”表示將其前的字符進(jìn)行0個(gè)或多個(gè)的匹配，比如sub("ab","",c("aabcd","dcaaaba"))。

（5）“?”匹配0或1個(gè)正好在它之前的那個(gè)字符

（6）“+”匹配1或多個(gè)正好在它之前的那個(gè)字符。

（7）“.”可以匹配任意字符，比如sub("a.e","",c("abcde","edcba"))。

（8）“|”表示邏輯的或，比如sub("ab|ba","",c("abcd","dcba"))，可以替換ab或者ba。

（9）“^{”還可以表示邏輯的補(bǔ)集，需要寫在“[]”中，比如sub("[}ab]","",c("abcd","dcba"))，由于sub只替換搜尋到的第一個(gè)，因此這個(gè)例子中用gsub效果更好。

（10）“[]”還可以用來(lái)匹配多個(gè)字符，如果不使用任何分隔符號(hào)，則搜尋這個(gè)集合，比如在sub("[ab]","",c("abcd","dcba"))中，和"a|b"效果一樣。

（11）“[-]”的形式可以匹配一個(gè)范圍，比如sub("[a-c]","",c("abcde","edcba"))匹配從a到c的字符，sub("[1-9]","",c("ab001","001ab"))匹配從1到9的數(shù)字。

最后需要提一下的是“貪婪”和“懶惰”的匹配規(guī)則。默認(rèn)情況下是匹配盡可能多的字符，是為貪婪匹配，比如sub("a.b","",c("aabab","eabbe"))，默認(rèn)匹配最長(zhǎng)的a開(kāi)頭b結(jié)尾的字串，也就是整個(gè)字符串。如果要進(jìn)行懶惰匹配，也就是匹配最短的字串，只需要在后面加個(gè)“?”，比如sub("a.?b","",c("aabab","eabbe"))，就會(huì)匹配最開(kāi)始找到的最短的a開(kāi)頭b結(jié)尾的字串。

最后，舉例說(shuō)明：

> Num <- c(310,456,311,431,421,435,534,312,313,320,321,322,323,314,324,317,3231)
> ipn<-grep("^3",Num,value=T)##開(kāi)頭為3的數(shù)字##
> ipn
[1] "310"  "311"  "312"  "313"  "320"  "321"  "322"  "323"  "314" 
[10] "324"  "317"  "3231"
> ipn<-grep("^31",Num,value=T)##開(kāi)頭為31的數(shù)字#
> ipn
[1] "310" "311" "312" "313" "314" "317"
> ipn<-grep("4$",Num,value=T)##以4結(jié)尾的的數(shù)字#
> ipn
[1] "534" "314" "324"
> ipn<-grep("3.2",Num,value=T)##所有以3開(kāi)頭，以2結(jié)尾的數(shù)字##
> ipn
[1] "312" "322"
> ipn<-grep("*31",Num,value=T)##所有含‘31’的數(shù)字#
> ipn
[1] "310"  "311"  "431"  "312"  "313"  "314"  "317"  "3231"
> ipn<-grep("3*1",Num,value=T)##所有開(kāi)頭為3或者末位為1的數(shù)字##
> ipn
[1] "310"  "311"  "431"  "421"  "312"  "313"  "321"  "314"  "317" 
[10] "3231"
> ipn<-grep("?31",Num,value=T)##所有含‘31’的數(shù)字##
> ipn
[1] "310"  "311"  "431"  "312"  "313"  "314"  "317"  "3231"
> ipn<-grep("+31",Num,value=T)##所有含‘31’的數(shù)字##
> ipn
[1] "310"  "311"  "431"  "312"  "313"  "314"  "317"  "3231"
> ipn<-grep("3.*1",Num,value=T)##所有含‘3'和'1’的數(shù)字##
> ipn
[1] "310"  "311"  "431"  "312"  "313"  "321"  "314"  "317"  "3231"

> ipn<-grep("3|1",Num,value=T)##所有含‘3'或'1’的數(shù)字##
> ipn
[1] "310"  "311"  "431"  "421"  "435"  "534"  "312"  "313"  "320" 
[10] "321"  "322"  "323"  "314"  "324"  "317"  "3231"
> ipn<-grep("[1]",Num,value=T)##所有含‘1’的數(shù)字##
> ipn
[1] "310"  "311"  "431"  "421"  "312"  "313"  "321"  "314"  "317" 
[10] "3231"

二、nchar()函數(shù)

nchar()返回字符串的長(zhǎng)度　number of character

> char = "BioInfoCloud"
> nchar(char)
[1] 12

三、paste()函數(shù)

paste()函數(shù)是將若干個(gè)字符拼接起來(lái)。sep 鏈接符號(hào)

> char1 = "www"
> char2 = "bioinfocloud"
> char3 = "cn"
> website = paste(char1,char2,char3,sep = ".")
> website
[1] "www.bioinfocloud.cn"

四、sprintf()函數(shù)

sprintf()函數(shù)按一定格式把若干個(gè)組件組合成字符串。

> i = 4
> s = sprintf("The square of %d is %d",i,i^2)
> s
[1] "The square of 4 is 16"

五、substr()函數(shù)

substr(x，start，stop)函數(shù)獲取子串。

> website
[1] "www.bioinfocloud.cn"


> substr(website,5,16)
[1] "bioinfocloud"

六、strsplit()函數(shù)

strsplit(x,split)函數(shù)按照split分割x。返回這些子串的列表。

> strsplit("www.bioinfocloud.cn",split = "o")
[[1]]
[1] "www.bi" "inf"    "cl"     "ud.cn" 

七、regexpr()函數(shù)

regexpr(pattern,text)函數(shù)在字符串text中尋找pattern,返回與pattern匹配的第一個(gè)子串的起始位置。

> regexpr("bioinfocloud","www.bioinfocloud.cn")
[1] 5

attr(,"match.length")
[1] 12

attr(,"index.type")
[1] "chars"

attr(,"useBytes")
[1] TRUE

八、gregexpr()函數(shù)

gregexpr(pattern,text)函數(shù)的功能與regexpr()一樣。不過(guò)它會(huì)尋找與pattern匹配的所有子串的起始位置。

> gregexpr("o","www.bioinfocloud.cn")
[[1]]
[1]  7 11 14
attr(,"match.length")
[1] 1 1 1

attr(,"index.type")
[1] "chars"

attr(,"useBytes")
[1] TRUE