文字列を操作するパッケージ

• stringiパッケージのwrapper
  • 元は違ったけど“i”の性能がよかったから
  • Hadley Wickham謹製
• 特徴
  • baseの関数群より処理が速い
  • 関数名が“str_”で始まってる
  • 主な文字列処理はこれひとつでOK
  • “%>%”で連鎖しやすい!

インストール

CRANからインストール

install.packages("stringr")

GitHubからインストール

devtools::install_github("hadley/stringr")

githubinstallでもOK

githubinstall::githubinstall("stringr")

参考資料

• stringr - RDocumentation
  • R Documentationというサイトにあるパッケージ紹介サイト
  • Helpの内容をベースに,サイト内で実際にコードが試せます
• {stringr}/{stringi}とbaseの文字列処理について
  • タイトルの通りで,Rの文字列処理について知りたければこれひとつでOK
  • 今日の発表は,ここの説明をベースに準備しました

文字列の連結 str_c()

str_c("kosaki", "love", sep = " ")

## [1] "kosaki love"

• 文字列を連結させる
• paste()と同じように使える

x <- c("kosaki", "chitoge", "marika")
str_c(x, collapse = ", ")

## [1] "kosaki, chitoge, marika"

• 文字列ベクトルの要素をひとつに連結させるにはcollapse=オプションを使用
• このあたりもpaste()と同様

y <- c("love", "like", "like")
(ni <- str_c(x, y, sep="-"))

## [1] "kosaki-love"  "chitoge-like" "marika-like"

• 文字列ベクトル同士を引っ付けることも可能

文字列の分割: str_split()

str_split(ni, pattern = "-")

## [[1]]
## [1] "kosaki" "love"  
## 
## [[2]]
## [1] "chitoge" "like"   
## 
## [[3]]
## [1] "marika" "like"

• パターンに一致したところで分割
• 返り値はリスト型がデフォルト

str_split(ni, pattern = "-", simplify = TRUE)

##      [,1]      [,2]  
## [1,] "kosaki"  "love"
## [2,] "chitoge" "like"
## [3,] "marika"  "like"

• simplify=TRUEで行列型で返す

str_split("k-o-s-a-k=i", pattern = "-", n=3)

## [[1]]
## [1] "k"       "o"       "s-a-k=i"

• n=オプションで,分割数を指定することも可能
• この時どこで区切られるかは,先頭優先となります

文字列の分割: str_split_fixed()

a <- c("kosaki-love","chitoge-like","tugumi")
str_split_fixed(a, pattern="-", n=2)

##      [,1]      [,2]  
## [1,] "kosaki"  "love"
## [2,] "chitoge" "like"
## [3,] "tugumi"  ""

• str_split()同様,文字列を分割
• ただし区切る場所がない場合,長さ0の文字列が入ります

文字を含むかどうか(論理値): str_detect()

x <- c("kosaki", "chitoge", "marika")
str_detect(x, pattern="ko")

## [1]  TRUE FALSE FALSE

• ベクトル内で,パターンにマッチした文字があるかどうかを判定
• 返り値は論理ベクトル

str_detect(x,pattern="a$")

## [1] FALSE FALSE  TRUE

• パターンに正規表現を使用することも可能

文字を含むかどうか(要素): str_subset()

str_subset(x, pattern="o")

## [1] "kosaki"  "chitoge"

• ベクトル内で,パターンにマッチした文字があるかどうかを判定
• 返り値は,マッチした要素のみの文字列ベクトル

文字列の置換(先頭一致): str_replase()

str_replace(x, pattern="k", replacement="*")

## [1] "*osaki"  "chitoge" "mari*a"

• パターンにマッチした文字列を置換
• 要素内に複数マッチした場合,先頭のみを置換

文字列の置換(全部): str_replase_all()

str_replace_all(x, pattern="k", replacement="*")

## [1] "*osa*i"  "chitoge" "mari*a"

• パターンにマッチした文字列を置換
• 要素内に複数マッチした場合,すべて置換

マッチした要素を抽出: str_extract()

str_extract(x, pattern="ko")

## [1] "ko" NA   NA

• パターンにマッチした箇所だけを取り出す
• 返り値はベクトル
• 先頭一致（要素内で他にも該当する場所があっても無視）

マッチした要素をすべて抽出: str_extract_all()

str_extract_all(x, pattern="k|s", simplify=TRUE)

##      [,1] [,2] [,3]
## [1,] "k"  "s"  "k" 
## [2,] ""   ""   ""  
## [3,] "k"  ""   ""

• パターンにマッチした箇所すべてを取り出す
• 返り値はデフォルトでリスト
  • simplify=TRUEで行列に

数値で指定して抽出: str_sub()

str_sub(x, start=1, end=4)

## [1] "kosa" "chit" "mari"

str_sub(x, start=4, end=-1)

## [1] "aki"  "toge" "ika"

• startで開始位置、endで終了位置を指定
• マイナスを指定すると後ろからの位置を指定

文字のエンコーディング: str_conv()

str_conv(x, encoding="UTF-8")

• 文字コードを変換させる
• iconv()と同じようなもの

正規表現のViewer: str_view()

str_view(x, "a$")

• 正規表現でのマッチ結果をRStudioのViewerに出してくれる
• 最近組み込まれた
• 正規表現の練習にも使えるし便利

以下省略

• 文字列の抽出(グループ): str_match()
• 条件を含んだ箇所のカウント: str_count()
• パターンの位置: str_locate()
• 文字列の長さ: str_length()
• 文字列の繰り返し: str_dup()
• などなど

Webスクレイピング

• スクレイピングする対象を絞るとき

• スクレイピングして取得したデータを前処理するとき

• 台風22号と23号
  • スクレイピングして取得したデータを整形
  • パイプ演算子使えるの超助かった

レコードの抽出

• データセットで,正規表現による部分一致でレコードを抽出するときなど

tibble::rownames_to_column(mtcars, var = "name") %>% 
  dplyr::filter(str_detect(.$name, "Mazda"))

##            name mpg cyl disp  hp drat    wt  qsec vs am gear carb
## 1     Mazda RX4  21   6  160 110  3.9 2.620 16.46  0  1    4    4
## 2 Mazda RX4 Wag  21   6  160 110  3.9 2.875 17.02  0  1    4    4

Enjoy!

今日の資料置き場 - https://kazutan.github.io/SappoRoR7