Coursera-Getting and Cleaning Data-week4-R语言中的正则表达式以及文本处理

博客总目录：http://www.cnblogs.com/weibaar/p/4507801.html

 

Thursday, January 29, 2015

补上第四周笔记，以及本次课程总结。

第四周课程主要针对text进行处理。里面包括

1.变量名的处理 2.正则表达式 3.日期处理（参见swirl lubridate包练习）

首先，变量名的处理，奉行两个原则，1）统一大小写tolower/toupper；2）去掉在导入数据时，因为特殊字符导致的合并变量 3）不要重复；4）少用代码缩写

使用的函数包括

1. 替换查找：

gsub |在全局范围内，把A换成B gsub("A","B",data)

sub |仅替换第一个字符 sub("A","B",data)

grep |展示字符出现的位置 grep("A",data) 输出的是A在data里的位置，如果添加value=TRUE会直接返回包含A的值

grepl | 跟grep类似，但是输出逻辑判断符TRUE/FALSE，类似于a==b

2. 字符间计算

nchar 计算data里有多少个字符，如nchar("text05")，输出6

substr 对A从第m行起取到n substr("data2014",2,4) 输出ata

paste 字符连接paste("ABC","BCD","DEF",sep="-") 输出“ABC-BCD-DEF” 如果用paste0则中间不分割

str-tim 去除头尾和空格

上述，网上搜的类似文档如文本（字符串）处理与正则表达式

---

正则表达式，Regular Expression，其实是除了查找内容外，R对于一些特殊字符有固定定义。如果使用好该类字符，我们可以更方便进行文本查找。

需要指出的是，正则表达式并不是R独有的，在多个语言中均有介绍。老师视频里主要介绍了他常用的几个表达。主要用于grep/gsub等函数里，查找替换使用。所有的语法都要用**\**引用才能使用。。

网上搜到的中文应用有

1.在R中使用正则表达式 举了个读取豆瓣电影的方法做示例

2. R正则表达式语法细节 这里讲的蛮详细的，而且还有示例，推荐阅读

3. 55分钟练习 这个有习题，可以补充练习一下。

#要替换特殊元字符时，需要使用\来指定。但是如果是普通字符，使用\反而什么都得不到╮(╯▽╰)╭
gsub('\.', "", "$Peace.Love")
## [1] "$PeaceLove"
gsub('\$', "", "$Peace.Love")
## [1] "Peace.Love"
#d匹配数字字符
gsub('\d', "", "$Peace.Love0102")
## [1] "$Peace.Love"
#D匹配非数字字符
gsub('\D', "", "$Peace.Love2012012")
## [1] "2012012"

因为现阶段工作学习里用这种替换及文本查找的机会不多，这里就略过吧。。需要时再补好了。quiz4很简单，水水的就过掉了

总之这门Getting and Cleaning Data的课的笔记终于补完了！2月打算看Explorary Data analysis还有Reproducible Research的课。。不过中文字幕到explorary data就没了，所以以后估计要花两个月来过一门课了，看视频时间要增加 前四门课必须要感谢字幕组无私贡献！

最后附上Getting and Cleaning Data的一个实际应用，XML包读取coursera课程页面的PDF讲义，批量下载

首先，要到coursera课程页面把HTML代码全部复制到本地的一个HTML文件家里。

关键字搜索源代码，发现它的PDF文件是明文存放的，那么只要用个XML包，简单读取分段一下即可

##加载XML包，并且读取数据 

url1<-"lecture.html"
html<-htmlTreeParse(url1,useInternalNodes=T)
#在英文版本里，PDF被存在title为 "Lecture Notes"的文件里
#下列代码根据getNodeSet的示范来的。拿到有Lecture Nodes的相关list（应该与正则表达式也相关）
notes<-getNodeSet(html,"/html//a[@title='Lecture Notes']")
head(notes)
#这里使用xmlGetAttr获得相应属性
pdf<-sapply(notes,xmlGetAttr,"href")
pdf
#这里仅是示范。因为我是windows系统，mode="wb"，其他系统不知道。
#只要弄个循环下载，就能把所有PDF下下来了。同时，还可以用正则表达式里提及的内容，批量提取PDF文件名
download.file(pdf[[1]],"test1.pdf",mode="wb")
> pdf
 [1] "https://d396qusza40orc.cloudfront.net/getdata/lecture_slides/01_01_obtainingDataMotivation.pdf"
 [2] "https://d396qusza40orc.cloudfront.net/getdata/lecture_slides/01_02_rawAndProcessedData.pdf"    

前三周笔记

第一周： 从不同数据源获取数据，html & csv & xlsx  http://www.cnblogs.com/weibaar/p/4217495.html

第二周：从API以及网页获取数据 http://www.cnblogs.com/weibaar/p/4230868.html

第三周：整理数据（dplyr,tidyr,lubridate) http://www.cnblogs.com/weibaar/p/4273636.html

第四周：文本查找与正则表达式 http://www.cnblogs.com/weibaar/p/4285082.html 

博客总目录：http://www.cnblogs.com/weibaar/p/4507801.html