こんにちは，shun（@datasciencemore）です！
前回まででtidyverseの8個のコアパッケージのうち，4個（tibble，dplyr，tidyr，ggplot2）が終了しました．
残り4個です，ついに折り返し地点まで来ました！
ここまででもかなりの前処理力がついたはずですが，もうちょい頑張りましょう．
今回は残りの4つのコアパッケージのうちの1つ，{stringr}をやっていきます．
{stringr}は文字列処理に特化したパッケージです．
今回も盛りだくさんですが，ひとつひとつ丁寧にやっていきましょう！
目次
０．{stringr}ってなに？？
文字列には色々な処理が考えられるんだ．
例えば，文字列を連結してファイル名にしたり，文字列にマッチするところを探したり，などなど．．
この文字列のいろんな処理の総称を文字列処理って呼んでるよ．
文字列処理は実に様々なパターンが考えられます．
全部やってると年が暮れてしまうので，ここでは大雑把に実務でよく使用することに絞って，紹介していきます．
（それでもすごく多そうだけど．．．笑）
この文字列処理に適したパッケージが{stringr}です．
１．長さ取得 str_length
str_lengthで文字列の長さを取得できます．
|
1 2 |
# 長さ取得 str_length(c("a", "the", "apple")) |
|
1 |
[1] 1 3 5 |
２．連結 str_c
str_cで複数の文字列を連結します．
|
1 2 |
# 連結 str_c("nogi", "sakura", "hinata") |
|
1 |
[1] "nogisakurahinata" |
引数sepを使うと，区切り文字を指定できます．
|
1 2 |
# 連結 _で繋げる． str_c("nogi", "sakura", "hinata", sep = "_") |
|
1 |
[1] "nogi_sakura_hinata" |
文字列ベクトル同士をつなぐこともできます．
|
1 2 3 4 5 |
# 連結 2つのベクトルの同じインデックスの要素を繋げる． vec_1 = c("nogi", "sakura", "hinata") vec_2 = c("mai", "ponpon", "sarina") str_c(vec_1, vec_2, sep = "-") |
|
1 |
[1] "nogi-mai" "sakura-ponpon" "hinata-sarina" |
引数collapseを使うと，ベクトルを１つの文字列にまとめてくれます．
|
1 2 3 |
# 連結 1つのベクトルの各要素を繋げて，1つの文字列にする． vec_1 = c("nogi", "sakura", "hinata") str_c(vec_1, collapse = "...") |
|
1 |
[1] "nogi...sakura...hinata" |
３．抽出 str_sub
str_subで，文字列の一部を抽出できます．
引数startとendで抽出する文字列の始点と終点を設定します．
|
1 2 |
# 抽出 2文字目から5文字目まで str_sub("qwertyuiop@", start = 2, end = 5) |
|
1 |
[1] "wert" |
引数startとendは，-でも指定することができます．
|
1 2 |
# 抽出 後ろ８文字目から後ろ5文字目まで str_sub("qwertyuiop@", start = -8, end = -5) |
|
1 |
[1] "rtyu" |
４．マッチの真偽 str_detect
str_detectで，指定したパターンにマッチした文字列があるかどうかを論理値（TRUEかFALSE）で判定します．
引数patternにパターン（正規表現OK）を指定します．
|
1 2 3 4 5 |
# 文字列のベクトルを定義 vec_group = c("nogi", "sakura", "hinata") # マッチの真偽 aが入っているか str_detect(vec_group, pattern = "a") |
|
1 |
[1] FALSE TRUE TRUE |
５．マッチ文字列の抽出 str_subset
str_subsetで，指定したパターンにマッチした文字列を抽出します．
引数patternにパターン（正規表現OK）を指定します．
|
1 2 3 4 5 |
# 文字列のベクトルを定義 vec_group = c("nogi", "sakura", "hinata") # マッチ文字列の抽出 aが入っている文字列を抽出 str_subset(vec_group, pattern = "a") |
|
1 |
[1] "sakura" "hinata" |
６．マッチの先頭抽出 str_extract
str_extractで，指定したパターンにマッチした部分のうち，先頭のものを抽出します．
引数patternにパターン（正規表現OK）を指定します．
|
1 2 3 4 5 |
# 文字列のベクトルを定義 vec_group = c("nogi", "sakura", "hinata") # マッチの先頭抽出 aにマッチした先頭部分を抽出 str_extract(vec_group, pattern = "a") |
７．マッチの全抽出 str_extract_all
str_extract_allで，指定したパターンにマッチした全部分を抽出します．
引数patternにパターン（正規表現OK）を指定します．
|
1 2 3 4 5 |
# 文字列のベクトルを定義 vec_group = c("nogi", "sakura", "hinata") # マッチの全抽出 aにマッチした全部分を抽出 str_extract_all(vec_group, pattern = "a") |
|
1 2 3 4 5 6 7 8 |
[[1]] character(0) [[2]] [1] "a" "a" [[3]] [1] "a" "a" |
引数simplifyをTRUEにすると行列形式で出力します．
デフォルトは，simplify=FALSEでリストで出力されます．
|
1 2 |
# マッチの全抽出 aにマッチした全部分を行列形式で抽出 str_extract_all(vec_group, pattern = "a", simplify = TRUE) |
|
1 2 3 4 |
[,1] [,2] [1,] "" "" [2,] "a" "a" [3,] "a" "a" |
ややこしいよね，これも．．．
次の図で理解できるかな？
str_subsetは，まず文字列がマッチしているかを判定して，マッチがある文字列のみを抽出します．この例の場合，nogiはマッチがないので，抽出されず，マッチがあるsakura，hinataが抽出されます．
str_extractは，マッチ部分のうち，先頭のマッチ部分のみを抽出します．この例の場合だと黄色の部分ですね．
str_extractは，マッチ部分のすべてを抽出します．この例の場合だと，黄色とピンク色の部分です．
NAとcharacter(0)の違いは，あまり気にしなくていいです．
両方とも値がないんだという理解で十分です．
８．マッチの先頭置換 str_replace
str_replaceで，指定したパターンにマッチした部分のうち，先頭のものを指定文字列に置換します．
引数patternにパターン（正規表現OK）を，引数replacementに置換したい文字列を指定します．
|
1 2 3 4 5 |
# 文字列のベクトルを定義 vec_name = c("asuka", "mizuki", "minami") # マッチの先頭置換 aにマッチした先頭部分を-で置換 str_replace(vec_name, pattern = "a", replacement = "-") |
|
1 |
[1] "-suka" "mizuki" "min-mi" |
９．マッチの全置換 str_replace_all
str_replace_allで，指定したパターンにマッチした全部分を置換します．
引数patternにパターン（正規表現OK）を，引数replacementに置換したい文字列を指定します．
|
1 2 3 4 5 |
# 文字列のベクトルを定義 vec_name = c("asuka", "mizuki", "minami") # マッチの全置換 aにマッチした全部分を-で置換 str_replace_all(vec_name, pattern = "a", replacement = "-") |
|
1 |
[1] "-suk-" "mizuki" "min-mi" |
str_replace_allは，名前付きベクトルを指定することで，複数の置き換えができます．
|
1 2 3 4 5 |
# 文字列のベクトルを定義 vec_name = c("asuka", "mizuki", "minami") # マッチの全置換 aをAに，mをMに置換 str_replace_all(vec_name, c("a" = "A", "m" = "M")) |
|
1 |
[1] "AsukA" "Mizuki" "MinAMi" |
次のコードでも上と全く同じです．
名前付きベクトルを外set_replace_allの外で作成しているだけです．
|
1 2 3 4 5 6 7 8 9 |
# 文字列のベクトルを定義 vec_name = c("asuka", "mizuki", "minami") # 名前付きベクトルを外で作成 vec_replace = c("A", "M") names(vec_replace) = c("a", "m") # マッチの全置換 aをAに，mをMに置換 str_replace_all(vec_name, vec_replace) |
|
1 |
[1] "AsukA" "Mizuki" "MinAMi" |
１０．マッチの分割 str_split
str_splitで，指定したパターンにマッチした部分で文字列を分割できます．
引数patternにパターン（正規表現OK）を指定します．
|
1 2 3 4 5 |
# 文字列のベクトルを定義 vec_name = c("asuka", "mizuki", "minami") # マッチの分割 uにマッチした部分で分割 str_split(vec_name, pattern = "u") |
|
1 2 3 4 5 6 7 8 |
[[1]] [1] "as" "ka" [[2]] [1] "miz" "ki" [[3]] [1] "minami" |
引数simplifyをTRUEにすると行列形式で出力します．
デフォルトは，simplify=FALSEでリストで出力されます．
|
1 2 3 4 5 |
# 文字列のベクトルを定義 vec_name = c("asuka", "mizuki", "minami") # マッチの分割 uにマッチした部分で分割（行列形式で出力） str_split(vec_name, pattern = "u", simplify = TRUE) |
|
1 2 3 4 |
[,1] [,2] [1,] "as" "ka" [2,] "miz" "ki" [3,] "minami" "" |
１１．その他
上で紹介した関数以外にもまだまだたくさんあります！
- str_trim：空白の除去
- str_dup：繰り返し
- str_locate：マッチの先頭部分のインデックスの取得
- str_locate_all：マッチの全部分のインデックスの取得
- str_to_lower：小文字の変換
- str_to_upper：大文字への変換
- str_pad：指定文字でパティング
- str_conv：エンコーディング
- str_count：マッチ部分の個数取得
などなど．．．
数えればきりがないので，やめておきます笑
まとめ
文字列処理について以下のことをやってきました．
- 長さ取得 str_length
- 連結 str_c
- 抽出 str_sub
- マッチの真偽 str_detect
- マッチ文字列の抽出 str_subset
- マッチの先頭抽出 str_extract
- マッチの全抽出 str_extract_all
- マッチの先頭置換 str_replace
- マッチの全置換 str_replace_all
- マッチの分割 str_split
- その他
多いですね．．．
こんなの普通の人間には到底覚えられません．
ちなみに僕もここに書いてあることの3割くらいしか覚えていません笑
けど，そんなもんでいいんです，なんとなく，「あー，そういえばこんな関数あったなぁ」くらい覚えていればすぐにググれますしね．
何回も繰り返して徐々に覚えていきましょう．
それじゃ，お疲れ様でした！！
