【Tidyverse优雅编程】R语言处理字符串或文本数据1：字符 ...

精饰服装

他们经常说：R语言处理字符串、文本数据不行
我说：就这？
我给他们来个 tidyverse 版本。
<hr/>先创建数据：
library(tidyverse)
df = tibble(
   item_id = 1001:1006,
   description = c("used car 3 years old", "brand new car",
                   "5-year-old used car", "used bicycle",
                   "car, 10k mileage, used", "car"),
   lot = c("A-124-X", "B-102-X", "A-039-Y",
           "A-200-Y", "B-120-Y", "B-025-X"),
   price = c(24000, 36000, "$18000", 1200, "12k", 14000))
df

1. 检查字符串是否包含特定的单词或字符序列

• 筛选 description 列，包含 "used car" 的行
  

df %>%
  filter(str_detect(description, "used car"))

• 筛选 description 列，包含 "used" 且包含 "car" 的行
  

df %>%
  filter(str_detect(description, "used"), str_detect(description, "car"))

2. 根据字符串的长度进行过滤

• 筛选 description 列字符串长度 > 15 的行：
  

df %>%
  filter(str_count(description) > 15)

3. 基于字符串的第一个或最后一个字母进行过滤

• 筛选 lot 列以 "A" 开头的行：
  

df %>%
  filter(str_starts(lot, "A"))

• 筛选 lot 列以 "A-0" 开头的行：
  

df %>%
  filter(str_starts(lot, "A-0"))

4. 过滤非数字字符

• 筛选 price 列只包含数字的行：
  

df %>%
  filter(!is.na(as.numeric(price)))

更好的做法（正则表达式，结果同上）：
df %>%
  filter(!str_detect(price, "\\D"))注：若要选出带字符的，去掉 "!" 即可。
5. 计算单个字符或字符序列的出现次数

• 统计 description 列 "used" 出现的次数：
  

df %>%
  mutate(n = str_count(description, "used"))

若要筛选出现次数小于 1 的行：
df %>%
  filter(str_count(description, "used") < 1)