第31期 R语言正则表达式语法详解及使用场景

本期主要介绍R语言中的正则表达式的相关用法及使用

正则表达式在日常数据处理，文本处理，文本分析，爬虫等使用极多

R语言正则语法与python存在区别。本期基于R语言的正则化进行讲解

什么是正则表达式

正则表达式的概念

正则表达式，是根据字符串规律按一定法则，简洁表达一组字符串的表达式。 正则表达式通常就是从貌似无规律的字符串中发现规律性，进而概括性地表达 它们所共有的规律或模式，以方便地操作处理它们，这是真正的化繁为简，以简驭繁的典范。

正则表达式的使用场景

检查文本是否含有指定的特征词

• 找出文本中匹配特征词的位置
• 从文本中提取信息
• 修改文本
• 正则表达式包括
  • 只能匹配自身的普通字符（如英文字母、数字、标点等）
  • 被转义了的特殊字符（称为 “元字符”），用于构造匹配规则
  • 比如“我数学考了100分”。用“数学”匹配就是普通字符，用“\\d\\\d\\\d”匹配“100”，就是元字符
• 正则表达式学习建议
  • 先学会最常用的三个正则表达式实例
  • 遇到具体问题，查阅基本语法表，尝试构造正则表达式，调试得到结果

正则表达式的常用元字符

• 注意事项
  • R语言的转义字符是\\。其它语言是\。也就解释R语言读取路径需要用\\连接
  • 默认正则式区别大小写的，可通过添加参数来创建忽略大小写的表达式"ignore_case=FALSE"
  • 在多行模式下，^ 和 $ 就表示行的开始和结束(比较常用的)

正则表达式的特殊元字符

• 其它
  • \S+ :匹配不包含空白符的字符串
  • \d，匹配数字
  • [a-zA-Z0-9]：匹配数字
  • [\u4e00-\u9fa5] 匹配汉字
  • [\^aeiou]: 匹配除 aeiou 之外的任意字符，即匹配辅音字母

POSIX 字符类

正则表达式的实例用法

运算优先级

类似于数学运算的先后等级

在正则表达式中圆括号括起来的表达式最优先，其次是表示重复次数的操作（即 * + { }）；再次是连接运算（即几个字符放在一起，如 abc）；最后是或者运算（|）

懒惰匹配与贪婪匹配

• 基础知识
  • 正则表达式正常都是贪婪匹配，即重复直到文本中能匹配的最长范围
  • 贪婪匹配：尝试匹配尽可能多的字符。例如，正则表达式 ".*" 会匹配给定字符串中的所有内容。
  • 懒惰匹配：则相反，它尝试匹配尽可能少的字符。在R语言中，你可以通过在量词后面添加一个问号 ? 来实现懒惰匹配。例如，正则表达式 ".*?" 会匹配尽可能少的字符。

实例说明

# 匹配到了最长的内容
str_extract("(1st) other (2nd)", "\\(.+\\)")

# 如果想要匹配具体的标识符内的内容
str_extract("(1st) other (2nd)", "\\(.+?\\)")

零宽匹配

零宽匹配是相对于直接匹配的高级用法。

• 适合想要匹配的内容没有规律性，但该内容位于两个有规律性的标志之间，标志也可以是开始和结束。
• 通常想要匹配的内容不包含两边的 “标志”，这就需要用零宽断言。就是一种引导语法告诉既要匹配到 “标志”，但又不包含 “标志”。
• 左边标志的引导语法是 (?<= 标志)，右边标志的引导语法是 (?= 标志)，而真正要匹配的内容放在它们中间。

实例说明

x = c("20 级预防医学 卓创4 班", "20 级预防医学 疾控3班") 
#想要识别x中的专业名称
#观察字符串的特征，发现专业夹在"医学 "以及数字（4和3）之间，并且不包含医学和数字，所以使用零宽断言
str_extract(x, "(?<=医学 ).*?(?=[0-9])")

重复标识符处理

如一个字符串对于期望的特征定位符，有多个相同的符号来干扰。如何实现使用自己需要的位置的定位符呢

参考示例

x = paste0("D:/paper/1.65_kc_ndvi/kc/forest_kc_historical",
           "_ACCESS-ESM1-5_west_1981_2014.tif") 
           # 想要匹配到最后的文件夹名
           # 观察数据结构，在结构"kc/的右边",内部结构的组成是forest(非标识符_)，加一个"__"，kc(非标示符),再加一个"__"，historical(非标识符)。根据要求构建正则式
str_extract(x, "(?<=kc/)([^_]+_){2}[^_]+")

• 观察数据结构，在结构"kc/的右边",内部结构的组成是forest(非标识符)，加一个"_"，kc(非标示符),再加一个"_"，historical(非标识符)。根据要求构建正则式为"(?<=kc/)([^_]+_){2}[^\]+"
• 用法说明
  • strextract(x, "(?<=kc/)([^_]+_){2}[^\]+"): 这一行使用str_extract()函数从MARKDOWN_HASH9dd4e461268c8034f5c8564e155c67a6MARKDOWNHASH中提取匹配正则表达式的子串。这个正则表达式"(?<=kc/)([^_]+_){2}[^\]+"的含义如下：
  • (?<=kc/): 这是一个正向后视断言（positive lookbehind），它匹配"kc/"之后的内容，但不包括"kc/"本身。
  • ([^_]+_){2}: 这部分匹配两次不包含下划线MARKDOWN_HASHb14a7b8059d9c055954c92674ce60032MARKDOWNHASH的一个或多个字符序列，后面紧跟一个下划线。每个[^\]+匹配不含下划线的连续字符，_是这些字符后面的下划线。
  • [^_]+: 这部分匹配紧随其后的一个不含下划线的字符序列。
• "+"号的用法
  • 单个字符： 如果+号跟在一个字符后面，比如a+，这意味着在目标字符串中匹配一个或多个连续的a字符。例如，在字符串"caaaat"中，a+会匹配连续的aaaa部分。
  • 字符类： 当+号用于一个字符类（character class）后面时，如[a-z]+，它会匹配一个或多个连续的在这个字符类中的字符。例如，[a-z]+会匹配字符串"hello world"中的"hello"和"world"。
  • 子表达式： 如果+号用于一个子表达式后面，比如(ab)+，它会匹配一个或多个连续的这个子表达式。例如，在字符串"ababcd"中，(ab)+会匹配开头的"abab"部分。

Stringr函数实现正则化

• str_view:调试和查看正则表达式的匹配效果
  • str_view(): 此函数用于调试和查看正则表达式的匹配效果。它对于理解和调整你的正则表达式非常有用，尤其是在处理复杂的字符串模式时。str_view()函数会在RStudio的Viewer窗口中展示正则表达式在字符串中的匹配结果，使你可以直观地看到哪些部分被匹配​​。
• str_extract()：提取正则表达式匹配到的内容
  • str_extract(): 该函数用于提取匹配正则表达式的字符串内容。当你需要从文本中提取特定模式的数据时，这个函数非常有用。例如，如果你有一组字符串，如 "1978-2000" 和 "2011-2020-2099"，并且想要提取出每个字符串中的第一个四位数字，你可以使用正则表达式 "\\\\d{4}"（表示匹配四位数字），str_extract()会返回第一个匹配的结果，如 "1978" 和 "2011"​​。
• str_replace(): 替换正则表达式匹配到的内容
  • str_replace(): 这个函数用于替换匹配到的字符串内容。如果你想要修改文本中的特定模式，例如，将所有的短横线"-"替换为斜杠"/"，你可以使用str_replace()。在前面的例子中，如果将 "1978-2000" 和 "2011-2020-2099" 作为输入，并用正则表达式 "-" 和替换字符串 "/"，str_replace()会将第一个匹配到的短横线替换为斜杠，返回 "1978/2000" 和 "2011/2020-2099"​​。
• _all 版本的函数: 对于许多stringr函数，如str_detect、str_extract等，存在一个后缀为_all的版本，比如str_detect_all、str_extract_all。这些_all版本的函数用于在字符串中查找所有匹配的模式，而不仅仅是第一个匹配​​。

Tidyverse下正则表达式的作用

进行变量值重编码

使用mutate函数和str系列函数

# 示例数据框
data <- data.frame(
  category = c("typeA-123", "typeB-456", "typeA-789", "typeC-101")
)

data

#识别大写字母作为变量,数字作为编号
data %>% mutate(type=str_extract(category,"[[:upper:]]"),
                number=str_extract(category,"\\d\\d\\d"))

进行变量名的批量修改

使用rename_with()和str系列函数进行变量名的批量修改

# 示例数据框，包含不规则的列名
data <- data.frame(
  var_1 = 1:4,
  Variable_2 = 5:8,
  another_Var3 = 9:12
)

data

data %>% rename_with(~str_extract(.,".*(?=_)"))

• 注意事项
  • ~是一种简化函数定义的方法，这里它定义了一个匿名函数，其中.代表当前的列名。
  • 匿名函数在R语言purrr风循环中使用极多，后边会专门进行讲解

推荐书目
张敬信. R语言编程  基于tidyverse. 人民邮电出版社; 2023. Accessed October 16, 2023.