stringr

[R]
[R.package]

stringr

• stringr
• 正規表現のオプション
• str_sub() 文字列の抽出
• str_starts() 文字列の検索（始まる文字列）
• str_ends() 文字列の検索（終わる文字列）
• str_c() 文字列の結合
• str_which() 文字列がある行番号を調べる
• str_detect() 該当する文字列があるかどうか調べる
• str_extract() 指定したパターンが該当した文字列を抽出する
• str_replace(文字列, 置換対象表現, 置換後表現)
• str_remove(文字列, 削除表現)
• str_remove_all(文字列, 削除表現)
• str_count(文字列, '\\w+') 単語数のカウント
• References 参考サイト

• stringiのラッパー
• tidyverseに含まれている

正規表現のオプション

• ignore_case=T
• multiline=T

str_sub() 文字列の抽出

mutate(KID = str_sub(DateID, start= 6, end=9)

• "2107_1901"の6文字目から9文字目までを抜き出す。結果 1901

str_starts() 文字列の検索（始まる文字列）

sp.dat.long.score %>% dplyr::filter(str_starts(name, "Mostafa"))

• longフォーマットのデータのうち、見出しnameのところで、
• "Mostafa"で始まる文字列からなる項目を含む行のみを選び出す。

str_ends() 文字列の検索（終わる文字列）

sp.dat.long.score %>% dplyr::filter(str_ends(name, "_DET"))

str_c() 文字列の結合

• 例：ID = str_c(Lang,Year,PID,SID, sep="_"
  • Lang, Year, PID, SIDをアンダースコアでつないで、新しくIDという文字列にする

SbyS.dat %>% mutate(ID = str_c(Lang,Year,PID,SID,  sep="_")) %>% head()

Lang Year PID SID sentence SL MDD Omega MHD ID
CN 2 2001 1 大学に入ってもう一年が経ちました 5 1.50 0.5000000 1.50 0.5000000 1.50 CN_2_2001_1

str_which() 文字列がある行番号を調べる

str_which(カラム名,"文字列")

> head(df1)
    A B  C
1 AAA 2 20
2 BBB 3 30
3 AAA   40
4 BBB 4 30
5 CCC 5 60
> str_which(df1$A, "AAA")
[1] 1 3

str_detect() 該当する文字列があるかどうか調べる

str_detect(データ, "正規表現")

• subset() と合わせて使うと便利
  • データフレーム中の特定の列に「ある種の文字列」があるかどうかを調べて、その文字列を含む行だけを選び出す。
    • 「ある種の文字列」の例：小文字の連続で書かれている「単語」が複数あるもの

fragJBnozeroMW <- subset(fragJBnozero, str_detect(fragJBnozero[,3], "[:lower:]+ +[^a-z]*[:lower:]+"), select=c("total","MW"))

> fragJBnozeroMW
     total                                MW
251    256                    a [NN] of [NP]
278    253                       do n't [VP]
285    252                  the [NN] of [NP]
291    219                       do not [VP]
306    235                      want to [VP]
325    240                             a lot
330    213                       for example
341    210                     a lot of [NP]

• filterと合わせて使う例
  • KIDというカラムで、21で始まる文字列の行だけ選ぶ
    • ^ が文字列の始まり指定

dplyr::filter(str_detect(KID, "^21"))

str_extract() 指定したパターンが該当した文字列を抽出する

• 正規表現で複数のパターンの文字列が該当する場合、個々に該当したパターンを出力

str_replace(文字列, 置換対象表現, 置換後表現)

str_remove(文字列, 削除表現)

• 上の置換で、何もなしで置換と同等

str_remove_all(文字列, 削除表現)

• 文字列中に出現しているすべての該当パタンを削除
  • _allなしだと、最初のものだけしか処理しない

str_count(文字列, '\\w+') 単語数のカウント

• 一文字以上の英字の連続（\w+）の数を数える

https://www.statology.org/word-count-in-r/

 References 参考サイト

https://heavywatal.github.io/rstats/stringr.html
https://evoldyn.gitlab.io/evomics-2018/ref-sheets/R_strings.pdf