R 字符串操作：sub() 与 gsub()

创建基本的字符串替换是R语言中的常见需求。sub()和gsub()函数提供了强大的文本替换功能，使数据清洗和文本处理更加高效。

sub() 函数基础

理解sub()函数的基本用法：它在字符串中查找第一个匹配的模式并替换。

1. 检查sub()函数的基本语法：

   sub(pattern, replacement, x, ignore.case = FALSE, fixed = FALSE)

2. 分析各参数作用：

   • pattern：要查找的模式
   • replacement：替换字符串
   • x：输入向量
   • ignore.case：是否忽略大小写
   • fixed：是否使用精确匹配

3. 应用基础示例：

   # 简单替换
   sub("apple", "orange", "I like apple and apple pie")
   # 结果: "I like orange and apple pie"

4. 注意sub()只替换第一个匹配项

gsub() 函数基础

掌握gsub()函数的基本用法：它与sub()类似，但替换所有匹配项。

1. 比较gsub()函数的基本语法：

   gsub(pattern, replacement, x, ignore.case = FALSE, fixed = FALSE)

2. 观察参数与sub()完全相同，但行为不同

3. 执行基础示例：

   # 替换所有匹配项
   gsub("apple", "orange", "I like apple and apple pie")
   # 结果: "I like orange and orange pie"

4. 区分sub()与gsub()的核心差异：替换所有匹配与仅替换第一个匹配

实际应用场景

解决实际数据清洗问题：

1. 处理日期格式不一致：

   # 将"YYYY/MM/DD"转换为"YYYY-MM-DD"
   gsub("/", "-", "2023/05/15")
   # 结果: "2023-05-15"

2. 清理多余空格：

   # 替换多个连续空格为单个空格
   gsub(" +", " ", "multiple    spaces   here")
   # 结果: "multiple spaces here"

3. 修正大小写问题：

   # 忽略大小写替换
   sub("hello", "hi", "HELLO world, hello everyone", ignore.case = TRUE)
   # 结果: "hi world, hello everyone"

4. 移除不需要的字符：

   # 移除所有非数字字符
   gsub("[^0-9]", "", "Phone: 123-456-7890")
   # 结果: "1234567890"

正则表达式应用

利用正则表达式增强模式匹配能力：

1. 匹配特定模式的字符串：

   # 替换邮箱地址
   gsub("\\b[A-Za-z0-9._%+-]+@[A-Za-z0-9.-]+\\.[A-Z|a-z]{2,}\\b", "[EMAIL]", "Contact: john@example.com or support@company.com")
   # 结果: "Contact: [EMAIL] or [EMAIL]"

2. 提取并替换数字：

   # 移除除了小数点外的所有数字
   gsub("[^0-9.]", "", "Price: $19.99 (USD)")
      # 结果: "19.99"
      ```
   
   3. **操作**字符串中的位置：
      ```r
      # 替换每行末尾的特定字符
      sub(".$", "", "line1\nline2\nline3")
   # 结果: "line1\nline2\nline3"

高级技巧与注意事项

优化字符串替换操作：

1. 使用回调函数进行复杂替换：

   # 根据匹配内容进行动态替换
   gsub("(\\d+)", function(x) paste0("[NUM:", x, "]"), "I have 2 apples and 5 oranges")
   # 结果: "I have [NUM:2] apples and [NUM:5] oranges"

2. 考虑性能差异：

   • sub()和gsub()在大数据集上可能较慢
   • 对于简单替换，考虑使用stringr包的str_replace()和str_replace_all()

3. 处理特殊字符：

   # 转义正则表达式特殊字符
   gsub("\\.", ".", "file.name.txt")
   # 结果: "file name.txt" (点被替换为空格)

4. 注意NA值处理：

   # NA值不会被替换
   sub("apple", "orange", c("apple pie", NA, "banana"))
   # 结果: "orange pie" NA "banana"

5. 组合其他字符串函数：

   # 先分割再替换
   parts <- strsplit("one:two:three", ":")[[1]]
   sub("two", "2", parts)
   # 结果: "one" "2" "three"

实用案例

解决实际工作中的字符串处理问题：

1. 标准化产品代码：

   # 统一产品代码格式
   product_codes <- c("ABC-123", "ABC123", "abc-456", "ABC-789")
   gsub("-", "", product_codes) %>% toupper()
   # 结果: "ABC123" "ABC123" "ABC456" "ABC789"

2. 提取网页数据：

   # 清理HTML标签
   html_text <- "<p>Hello <b>World</b>!</p>"
   gsub("<.*?>", "", html_text)
   # 结果: "Hello World!"

3. 格式化电话号码：

   # 格式化电话号码
   phone <- "1234567890"
   paste0("(", substr(phone,1,3), ") ", substr(phone,4,6), "-", substr(phone,7,10))
   # 结果: "(123) 456-7890"

4. 批量修改文件名：

   # 替换文件名中的空格
   old_names <- c("file 1.txt", "file 2.txt", "file 3.txt")
   new_names <- gsub(" ", "_", old_names)
   # 结果: "file_1.txt" "file_2.txt" "file_3.txt"

掌握sub()和gsub()函数是高效处理R语言中字符串数据的关键技能。通过结合正则表达式，您可以解决从简单文本替换到复杂数据清洗的各种问题。在日常工作中，根据具体需求选择合适的函数和模式匹配策略，将显著提高数据处理效率。