• R語言自1993年問世，用於統計分析、繪圖、資料採礦、矩陣運算與機器學習等多個面向
• 兩大特色：免費下載、開放原始碼。
• 套件：ggmap, ggplot
• R Studio/R Pubs/GitHub
• 軟體安裝教學(R & SQL)

• nchar
• grep
• grepl
• regexpr
• sub
• gsub
• substr
• paste
• strsplit

> address <- c("臺北市文山區指南路二段91~120號"       
+         ,"臺北市大同區重慶北路一段61~90號"      
+         ,"臺北市文山區指南路三段1~30號"         
+         ,"臺北市文山區指南路二段45巷31~60號"    
+         ,"臺北市內湖區民權東路六段90巷6弄1~30號"
+         ,"臺北市文山區興隆路四段1~30號")

• (1)算總字數、中文字字數、數字字數
• (2)將個地址的 區、路 取出來
• (3)算文字的幾種
• (4)針對 大同區or指南路 的地址，將他們的地址中的數字取代成 X

計算字串長度

> address

[1] "臺北市文山區指南路二段91~120號"        "臺北市大同區重慶北路一段61~90號"      
[3] "臺北市文山區指南路三段1~30號"          "臺北市文山區指南路二段45巷31~60號"    
[5] "臺北市內湖區民權東路六段90巷6弄1~30號" "臺北市文山區興隆路四段1~30號"         

> nchar(address)

[1] 18 18 16 20 22 16

grep第一個參數是pattern, 第二個是data,

output為有符合這個pattern是第幾筆資料

> grep(pattern = "文山區", x = address)

[1] 1 3 4 6

> grep("指南路", address)

[1] 1 3 4

> address

[1] "臺北市文山區指南路二段91~120號"        "臺北市大同區重慶北路一段61~90號"      
[3] "臺北市文山區指南路三段1~30號"          "臺北市文山區指南路二段45巷31~60號"    
[5] "臺北市內湖區民權東路六段90巷6弄1~30號" "臺北市文山區興隆路四段1~30號"         

> (a <- grep("指南路二段", address))

[1] 1 4

> address[a]

[1] "臺北市文山區指南路二段91~120號"    "臺北市文山區指南路二段45巷31~60號"

與grep用法相似,差異在於其output是TRUE/FALSE

> grepl(pattern = "文山區", x = address)

[1]  TRUE FALSE  TRUE  TRUE FALSE  TRUE

> grepl("指南路", address)

[1]  TRUE FALSE  TRUE  TRUE FALSE FALSE

> ## 當多個條件的話
> grepl(c("指南路|二段"), address)

[1]  TRUE FALSE  TRUE  TRUE FALSE FALSE

> address

[1] "臺北市文山區指南路二段91~120號"        "臺北市大同區重慶北路一段61~90號"      
[3] "臺北市文山區指南路三段1~30號"          "臺北市文山區指南路二段45巷31~60號"    
[5] "臺北市內湖區民權東路六段90巷6弄1~30號" "臺北市文山區興隆路四段1~30號"         

> (a <- grepl("指南路二段", address))

[1]  TRUE FALSE FALSE  TRUE FALSE FALSE

> address[a]

[1] "臺北市文山區指南路二段91~120號"    "臺北市文山區指南路二段45巷31~60號"

找出第一個符合pattern的字串在哪個位置及長度,

如果不符合pattern,會顯示-1

> address

[1] "臺北市文山區指南路二段91~120號"        "臺北市大同區重慶北路一段61~90號"      
[3] "臺北市文山區指南路三段1~30號"          "臺北市文山區指南路二段45巷31~60號"    
[5] "臺北市內湖區民權東路六段90巷6弄1~30號" "臺北市文山區興隆路四段1~30號"         

> regexpr(pattern = "指", text = address)

[1]  7 -1  7  7 -1 -1
attr(,"match.length")
[1]  1 -1  1  1 -1 -1

> regexpr(pattern = "指南路", text = address)

[1]  7 -1  7  7 -1 -1
attr(,"match.length")
[1]  3 -1  3  3 -1 -1

> regexpr("指南路二段", address)

[1]  7 -1 -1  7 -1 -1
attr(,"match.length")
[1]  5 -1 -1  5 -1 -1

> regexpr("號", address)

[1] 18 18 16 20 22 16
attr(,"match.length")
[1] 1 1 1 1 1 1

> regexpr("[0-9]", address)

[1] 12 13 12 12 13 12
attr(,"match.length")
[1] 1 1 1 1 1 1

找出所有符合pattern的字串在哪個位置及長度

> address

[1] "臺北市文山區指南路二段91~120號"        "臺北市大同區重慶北路一段61~90號"      
[3] "臺北市文山區指南路三段1~30號"          "臺北市文山區指南路二段45巷31~60號"    
[5] "臺北市內湖區民權東路六段90巷6弄1~30號" "臺北市文山區興隆路四段1~30號"         

先回憶一下剛剛regexpr的結果

> regexpr("[0-9]", address)

[1] 12 13 12 12 13 12
attr(,"match.length")
[1] 1 1 1 1 1 1

> gregexpr("[0-9]", address)

[[1]]
[1] 12 13 15 16 17
attr(,"match.length")
[1] 1 1 1 1 1

[[2]]
[1] 13 14 16 17
attr(,"match.length")
[1] 1 1 1 1

[[3]]
[1] 12 14 15
attr(,"match.length")
[1] 1 1 1

[[4]]
[1] 12 13 15 16 18 19
attr(,"match.length")
[1] 1 1 1 1 1 1

[[5]]
[1] 13 14 16 18 20 21
attr(,"match.length")
[1] 1 1 1 1 1 1

[[6]]
[1] 12 14 15
attr(,"match.length")
[1] 1 1 1

> matches = gregexpr("[\u4E00-\u9FA5]", address)
> (sent <- regmatches(address, matches) %>% sapply(function(x) paste0(x, collapse = '')))

[1] "臺北市文山區指南路二段號"       "臺北市大同區重慶北路一段號"    
[3] "臺北市文山區指南路三段號"       "臺北市文山區指南路二段巷號"    
[5] "臺北市內湖區民權東路六段巷弄號" "臺北市文山區興隆路四段號"      

sub指substitute,

把每個字串中第一個符合pattern的內容取代

> sub(pattern = "指南路", replacement = "AAA", x = address)

[1] "臺北市文山區AAA二段91~120號"           "臺北市大同區重慶北路一段61~90號"      
[3] "臺北市文山區AAA三段1~30號"             "臺北市文山區AAA二段45巷31~60號"       
[5] "臺北市內湖區民權東路六段90巷6弄1~30號" "臺北市文山區興隆路四段1~30號"         

> sub("[0-9]", "X", address)

[1] "臺北市文山區指南路二段X1~120號"        "臺北市大同區重慶北路一段X1~90號"      
[3] "臺北市文山區指南路三段X~30號"          "臺北市文山區指南路二段X5巷31~60號"    
[5] "臺北市內湖區民權東路六段X0巷6弄1~30號" "臺北市文山區興隆路四段X~30號"         

把每個字串中所有符合pattern的內容取代

> gsub(pattern = "指南路", replacement = "AAA", x = address)

[1] "臺北市文山區AAA二段91~120號"           "臺北市大同區重慶北路一段61~90號"      
[3] "臺北市文山區AAA三段1~30號"             "臺北市文山區AAA二段45巷31~60號"       
[5] "臺北市內湖區民權東路六段90巷6弄1~30號" "臺北市文山區興隆路四段1~30號"         

> gsub("[0-9]","X",address)

[1] "臺北市文山區指南路二段XX~XXX號"        "臺北市大同區重慶北路一段XX~XX號"      
[3] "臺北市文山區指南路三段X~XX號"          "臺北市文山區指南路二段XX巷XX~XX號"    
[5] "臺北市內湖區民權東路六段XX巷X弄X~XX號" "臺北市文山區興隆路四段X~XX號"         

> address

[1] "臺北市文山區指南路二段91~120號"        "臺北市大同區重慶北路一段61~90號"      
[3] "臺北市文山區指南路三段1~30號"          "臺北市文山區指南路二段45巷31~60號"    
[5] "臺北市內湖區民權東路六段90巷6弄1~30號" "臺北市文山區興隆路四段1~30號"         

• 如果我只想要地址中的[行政區＋路段]

> substr(address, start = 4, stop = 12)

[1] "文山區指南路二段9"  "大同區重慶北路一段" "文山區指南路三段1"  "文山區指南路二段4" 
[5] "內湖區民權東路六段" "文山區興隆路四段1" 

字串的切割

> strsplit(address,"市")

[[1]]
[1] "臺北"                     "文山區指南路二段91~120號"

[[2]]
[1] "臺北"                      "大同區重慶北路一段61~90號"

[[3]]
[1] "臺北"                   "文山區指南路三段1~30號"

[[4]]
[1] "臺北"                        "文山區指南路二段45巷31~60號"

[[5]]
[1] "臺北"                            "內湖區民權東路六段90巷6弄1~30號"

[[6]]
[1] "臺北"                   "文山區興隆路四段1~30號"

什麼是「正規化表示」？

Wiki : 正規表示式使用單個字串來描述、符合一系列符合某個句法規則的字串。在很多文字編輯器裡，正則運算式通常被用來檢索、替換那些符合某個模式的文字。

Bacon : 跨程式的語言"規則" 、 以更精簡的方式描述語言

> set.seed(2)
> 
> data = NULL
> for(i in 1:10){
+   tem = sample(letters[1:3], 20, replace = T) %>% paste0(collapse = '')
+   data = c(data, tem)
+ }
> 
> data %>% head(3)

[1] "acbaccacbbbacabccaba" "bbcabbabcaaaccbbcaca" "caaacccbbcaaccacccbc"

正規劃通常是用在「檢查」、「搜尋」文字字串上

> gsub('[[:punct:]]', '', '政大統研8+9')

[1] "政大統研89"

> gsub('[[:digit:]]', '', '政大統研8+9')

[1] "政大統研+"

檢查字串裡是否有 a

> pattern = 'a'
> data[grep(pattern, data)]

 [1] "acbaccacbbbacabccaba" "bbcabbabcaaaccbbcaca" "caaacccbbcaaccacccbc" "ccbacbbbaaaaaaacacbb"
 [5] "bcabaccacbcbbbbabaab" "abccabcbaaacbbcccacb" "aaccacbacbacacabbcab" "aababccabaabcbcacaaa"
 [9] "ccacabacabcaacbcbabb" "cbccacacaaabcabaaaaa"

檢查字串裡是否有 aa

檢查字串裡是否有 aaa…. (連續三個a重複出現)

> pattern = 'a{3,}'
> data[grep(pattern, data)] %>% head(3)

[1] "bbcabbabcaaaccbbcaca" "caaacccbbcaaccacccbc" "ccbacbbbaaaaaaacacbb"

> pattern = '^a'
> data[grep(pattern, data)]

[1] "acbaccacbbbacabccaba" "abccabcbaaacbbcccacb" "aaccacbacbacacabbcab" "aababccabaabcbcacaaa"

檢查字串是否 a 結尾

> pattern = 'a$'
> data[grep(pattern, data)]

[1] "acbaccacbbbacabccaba" "bbcabbabcaaaccbbcaca" "aababccabaabcbcacaaa" "cbccacacaaabcabaaaaa"

檢查字串是否 a 開頭, a結尾

> pattern = '^a(.)*a$'
> data[grep(pattern, data)]

[1] "acbaccacbbbacabccaba" "aababccabaabcbcacaaa"

• '*' : 匹配0次至無限次
• '+' : 匹配1次至無限次
• '?' : 匹配0次至一次

• '[]' : 將要檢查的字元放在中括號內，只要在裡面的字串都會被檢查出來, e.g. [0-9] 是要檢查字串中是否有 0 ~ 9 的元素
  • : 在中括號裡的 ^ 是「非」的意思

> gsub(pattern = '[a-e]', 'X', 'bacon')

[1] "XXXon"

> 
> grepl(pattern = 'r\\wg', 'regex')

[1] TRUE

[a-z.]+ 可以匹配 "test.i.ng" 

> library(stringr)
> files = c("block010_dplyr-end-single-table.rmd", "testing.txt", "vlock02_spd.rmd")
> pattern <- "^block\\d{3}_.*dplyr-(.*)\\.rmd$"
> (na.omit(str_match(files, pattern)))

     [,1]                                  [,2]              
[1,] "block010_dplyr-end-single-table.rmd" "end-single-table"
attr(,"na.action")
[1] 2 3
attr(,"class")
[1] "omit"

• 正規表示式 Regular Expression
• Stringr套件