패키지 stringr 아주 편리한 문자열 도구

-
R 사용자들의 가장 큰 불만 중의 하나는...?
아마 상당히 불편한 character 데이터 처리 방법이라고 생각합니다.

문자열을 가지고 흔히 하는 일을 생각해봅시다.

  1. 문자열 합치고 나누기
  2. 문자열의 어떤 부분을 추출하기
  3. 분자열의 일부를 바꾸기
  4. 빈 문자들(white space) 지우기
  5. 공백 문자 채우기
이외에도
  1. 정규식을 적용하여 어떤 패턴이 있나 확인하기
  2. 정규식을 적용하여 어떤 패턴에 해당되는 부분 추출하기
정도는 해줘야 하지요.

R의 {base}는 sub(), gsub(), regex() 등의 함수를 제공합니다만... 너무 느리고 사용이 어렵습니다. 우리의 구세주는 Rice University 통계학과의 Hadley Wickham 교수입니다. 그가 개발한 {stringr}은 빠르고 간편합니다. 이제 구체적인 사례들을 생각하며 {stringr}을 배워봅시다.

경우에 따른 stringr 함수들

문자열 관련

  • str_c(): 합치기
  • str_count(): 세어 보기
  • str_dup(): 반복해서 덧붙이기
  • str_length(): 문자 길이
  • str_pad(): 빈 문자 속에 끼우기
  • str_split(): 나누기
  • str_split_fixed(): 고정해서 나누기
  • str_trim(): 빈문자들 제거
  • str_sub(): 시작과 끝 위치에 해당되는 부분 끊어오기
  • word(): 단어 추출

패턴 추출


  • str_detect(): 패턴 있나 검사
  • str_extract(): 패턴에 해당되는 것 추출
  • str_extract_all(): 패턴에 해당되는 것 모두 추출해서 list로 반환
  • str_locate(): 패턴의 위치 추출
  • str_locate_all(): 패턴의 위치 모두 추출해서 list로 반환
  • str_match(): 해당되는 그룹 패턴 추출
  • str_replace(): 패턴에 해당되는 부분 교체
  • str_replace_all(): 패턴에 해당되는 부분 모두 교체

패턴

  • fixed(): 정규식 패턴 무시하기
  • ignore_case(): 패턴에 대소문자 무시하기
  • perl(): POSIX 정규식 대신 Perl의 정규식 표현 쓰기

연습 과제

백문이 불여일타.
다음 과제들을 많이 연습해서 함수들의 사용법을 익혀 봅시다.



함수: fixed
인자: string 
설명: 정규식을 사용하지 않은 고정된 패턴, 속도 높이는 효과

> pattern <- "a.b"
> strings <- c("abc","a.b")
> str_detect(strings,pattern)
[1] FALSE  TRUE
> str_detect(strings, fixed(pattern))
[1] FALSE  TRUE

함수: ignore.case
인자: string
설명: 패턴을 matching할 때 대소문자 구분을 하지 않도록 함

> str_detect(strings, ignore.case(pattern))
[1] FALSE  TRUE

함수: perl
인자: 펄정규식
설명: 펄 정규식을 사용할 수 있도록 한다.

> pattern <- "(?x)a.b"
> strings <- c("abb","a.b")
> str_detect(strings,perl(pattern))
[1] TRUE TRUE
> 
함수: str_c
인자: 연결할 문자 벡터들
        sep: 연결하는 문자 벡터들 사이를 이어준다.
        collapse: 연결한 다음 한 문자열로 합칠 때 삽입할 문자
설명: 벡터 연산을 하여 문자들을 연결시킨다.

> str_c("Letter: ",letters)
 [1] "Letter: a" "Letter: b" "Letter: c" "Letter: d" "Letter: e" "Letter: f" "Letter: g"
 [8] "Letter: h" "Letter: i" "Letter: j" "Letter: k" "Letter: l" "Letter: m" "Letter: n"
[15] "Letter: o" "Letter: p" "Letter: q" "Letter: r" "Letter: s" "Letter: t" "Letter: u"
[22] "Letter: v" "Letter: w" "Letter: x" "Letter: y" "Letter: z"
> str_c(letters, " is for", "...")
 [1] "a is for..." "b is for..." "c is for..." "d is for..." "e is for..." "f is for..."
 [7] "g is for..." "h is for..." "i is for..." "j is for..." "k is for..." "l is for..."
[13] "m is for..." "n is for..." "o is for..." "p is for..." "q is for..." "r is for..."
[19] "s is for..." "t is for..." "u is for..." "v is for..." "w is for..." "x is for..."
[25] "y is for..." "z is for..."

> str_c("Letter", letters, sep = ": ")
 [1] "Letter: a" "Letter: b" "Letter: c" "Letter: d" "Letter: e" "Letter: f" "Letter: 
...
> str_c(letters, collapse = ", ")
[1] "a, b, c, d, e, f, g, h, i, j, k, l, m, n, o, p, q, r, s, t, u, v, w, x, y, z"



함수: str_count()
인자: string: 문자열
        pattern: 패턴
설명: 패턴이 몇 개 일치하나 숫자를 반환
> fruit <- c("apple", "banana", "pear", "pineapple")
> str_count(fruit, "a")
[1] 1 3 1 1
# 각 문자 벡터에서 일치하는 것의 수를 반환
> str_count(fruit, "p")
[1] 2 0 1 3
> str_count(fruit, "e")
[1] 1 0 1 2
> str_count(fruit, c("a", "b", "p", "p"))
[1] 1 1 1 3
함수: str_detect
인자: string, pattern
설명: 패턴이 존재하면 TRUE, 아니면 FALSE
> fruit <- c("apple", "banana", "pear", "pinapple")

> str_detect(fruit, "a")
[1] TRUE TRUE TRUE TRUE
> str_detect(fruit, "^a")
[1]  TRUE FALSE FALSE FALSE
> str_detect(fruit, "a$")
[1] FALSE  TRUE FALSE FALSE
> str_detect(fruit, "b")
[1] FALSE  TRUE FALSE FALSE
> str_detect(fruit, "[aeiou]")
[1] TRUE TRUE TRUE TRUE

함수: str_dup
인자: string, times
설명: times 벡터에 지정된 것만큼 원소를 반복해서 뒤에 붙인다.

> fruit <- c("apple", "pear", "banana")
> str_dup(fruit, 2)
[1] "appleapple"   "pearpear"     "bananabanana"
> str_dup(fruit, 1:3)
[1] "apple"              "pearpear"           "bananabananabanana"
> str_c("ba", str_dup("na", 0:5))
[1] "ba"           "bana"         "banana"       "bananana"     "banananana"  
[6] "bananananana"

함수: str_extract
인자: string, pattern
설명: 일치하는 최초의 패턴을 뽑아 보여준다.

> str_extract(shopping_list, "\\d")
[1] "4" NA  NA  "2"
> str_extract(shopping_list, "[a-z]+")
[1] "apples" "flour"  "sugar"  "milk"  
> str_extract(shopping_list, "[a-z]{1,4}")
[1] "appl" "flou" "suga" "milk"
> str_extract(shopping_list, "\\b[a-z]{1,4}\\b")
[1] NA     NA     NA     "milk"

함수: str_extract_all
인자: string, pattern
설명: 일치하는 모든 경우를 다 뽑아 list 객체로 반환한다.

> shopping_list <- c("apples x4", "bag of flour", "bag of sugar", "milk x2")
> str_extract_all(shopping_list, "[a-z]+")
[[1]]
[1] "apples" "x"     

[[2]]
[1] "bag"   "of"    "flour"

[[3]]
[1] "bag"   "of"    "sugar"

[[4]]
[1] "milk" "x"   

> str_extract_all(shopping_list, "\\b[a-z]+\\b")
[[1]]
[1] "apples"

[[2]]
[1] "bag"   "of"    "flour"

[[3]]
[1] "bag"   "of"    "sugar"

[[4]]
[1] "milk"

> str_extract_all(shopping_list, "\\d")
[[1]]
[1] "4"

[[2]]
character(0)

[[3]]
character(0)

[[4]]
[1] "2"

함수: str_length
인자: string
설명: 벡터의 문자 길이를 반환한다.

> str_length(letters)
 [1] 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1
> str_length(c("i", "like", "programming", NA))
[1]  1  4 11 NA
함수: str_locate
인자: string, pattern
설명: pattern의 시작과 끝 위치를 반환한다.
> fruit <- c("apple", "banana", "pear", "pinapple")
> str_locate(fruit, "a")
     start end
[1,]     1   1
[2,]     2   2
[3,]     3   3
[4,]     4   4
> str_locate(fruit, "an")
     start end
[1,]    NA  NA
[2,]     2   3
[3,]    NA  NA
[4,]    NA  NA
> str_locate(fruit, "e")
     start end
[1,]     5   5
[2,]    NA  NA
[3,]     2   2
[4,]     8   8
> str_locate(fruit, c("a", "b", "p", "p"))
     start end
[1,]     1   1
[2,]     1   1
[3,]     1   1
[4,]     1   1
함수: str_locate_all

매치되는 것들의 전체 리스트를 반환한다.

함수: str_match
인자: string,pattern
설명: ()로 묶인 패턴 그룹을 뽑아 matrix 반환
> strings <- c(" 219 733 8965", "329-293-8753 ", "banana", "595 794 7569",
+              "387 287 6718", "apple", "233.398.9187 ", "482 952 3315",
+              "239 923 8115", "842 566 4692", "Work: 579-499-7527", "$1000",
+              "Home: 543.355.3679")
> phone <- "([2-9][0-9]{2})[- .]([0-9]{3})[- .]([0-9]{4})"
> str_extract(strings, phone)
 [1] "219 733 8965" "329-293-8753" NA             "595 794 7569" "387 287 6718"
 [6] NA             "233.398.9187" "482 952 3315" "239 923 8115" "842 566 4692"
[11] "579-499-7527" NA             "543.355.3679"
> str_match(strings, phone)
      [,1]           [,2]  [,3]  [,4]  
 [1,] "219 733 8965" "219" "733" "8965"
 [2,] "329-293-8753" "329" "293" "8753"
 [3,] NA             NA    NA    NA    
 [4,] "595 794 7569" "595" "794" "7569"
 [5,] "387 287 6718" "387" "287" "6718"
 [6,] NA             NA    NA    NA    
 [7,] "233.398.9187" "233" "398" "9187"
 [8,] "482 952 3315" "482" "952" "3315"
 [9,] "239 923 8115" "239" "923" "8115"
[10,] "842 566 4692" "842" "566" "4692"
[11,] "579-499-7527" "579" "499" "7527"
[12,] NA             NA    NA    NA    
[13,] "543.355.3679" "543" "355" "3679"

str_match_all()도 있다. 
함수: str_pad
인자: string, width, side
        side = c("left","right","both") 빈 칸의 기준 위치를 정함
설명: 빈 칸을 넣어서 적절히 배치한다.

> rbind(
+   str_pad("hadley", 30, "left"),
+   str_pad("hadley", 30, "right"),
+   str_pad("hadley", 30, "both")
+ )
     [,1]                            
[1,] "                        hadley"
[2,] "hadley                        "
[3,] "            hadley            "
함수: str_replace, str_replace_all
인자: string, pattern, replace
설명: 정규식에 해당되는 부분을 replace로 치환한다.

> fruits <- c("one apple", "two pears", "three bananas")
> str_replace(fruits, "[aeiou]", "-")
[1] "-ne apple"     "tw- pears"     "thr-e bananas"
> str_replace_all(fruits, "[aeiou]", "-")
[1] "-n- -ppl-"     "tw- p--rs"     "thr-- b-n-n-s"
> str_replace(fruits, "([aeiou])", "")
[1] "ne apple"     "tw pears"     "thre bananas"
> str_replace(fruits, "([aeiou])", "\\1\\1")
[1] "oone apple"     "twoo pears"     "threee bananas"


함수: str_split
인자: string, pattern, n=Inf
        몇 개의 split 파트를 반환하는가를 n으로 정해준다.
설명: 입력값은 문자열 벡터, 결과값은 list, 각 원소는 
> fruits <- c(
+   "apples and oranges and pears and bananas",
+   "pineapples and mangos and guavas"
+ )
> str_split(fruits, " and ")
[[1]]
[1] "apples"  "oranges" "pears"   "bananas"

[[2]]
[1] "pineapples" "mangos"     "guavas"    

함수: str_split_fixed
설명: str_split과 마찬가지, 결과를 matrix로 뽑고 빈 곳은 ""로 채운다.

> fruits <- c(
+   "apples and oranges and pears and bananas",
+   "pineapples and mangos and guavas"
+ )
> str_split_fixed(fruits, " and ", 3)
     [,1]         [,2]      [,3]               
[1,] "apples"     "oranges" "pears and bananas"
[2,] "pineapples" "mangos"  "guavas"           
> str_split_fixed(fruits, " and ", 4)
     [,1]         [,2]      [,3]     [,4]     
[1,] "apples"     "oranges" "pears"  "bananas"
[2,] "pineapples" "mangos"  "guavas" ""  

함수: str_sub
인자: string, start=1L, end=-1L
설명: 문자열에서 start와 end로 끊어온다.

> hw <- "Hadley Wickham"
> str_sub(hw, 1, 6)
[1] "Hadley"
> str_sub(hw, end = 6)
[1] "Hadley"
> str_sub(hw, 8, 14)
[1] "Wickham"
> str_sub(hw, 8)
[1] "Wickham"
> str_sub(hw, c(1, 8), c(6, 14))
[1] "Hadley"  "Wickham"
> str_sub(hw, -1)
[1] "m"
# 뒤에서부터 따온다.
> str_sub(hw, -7)
[1] "Wickham"
# 뒤에서 7개
> str_sub(hw, end = -7)
[1] "Hadley W"
# 처음부터 뒤에서 7번째 땡겨온 것만큼 뽑는다.

> x <- "BBCDEF"

# 해당되는 부분을 치환할 수 있다.
> str_sub(x, 1, 1) <- "A"; x
[1] "ABCDEF"
> str_sub(x, -1, -1) <- "K"; x
[1] "ABCDEK"
> str_sub(x, -2, -2) <- "GHIJ"; x
[1] "ABCDGHIJK"
> str_sub(x, 2, -2) <- ""; x
[1] "AK"

함수: str_trim
인자: string, side = c("left","right","both")
        기본값은 both
> str_trim(" String with trailing and leading white space\t")
[1] "String with trailing and leading white space"
> str_trim("\n\nString with trailing and leading white space\n\n")
[1] "String with trailing and leading white space"

함수: word
인자: string, start=1L, end=start, sep=fixed(" ")
설명: 단어를 뽑는다.
start와 end는 단어의 순서를 알려준다.
end가 -1이면 뒷 첫 번째.
recycling rule이 적용된다.

> sentences <- c("Jane saw a cat", "Jane sat down")
> word(sentences, 1)
[1] "Jane" "Jane"
> word(sentences, 2)
[1] "saw" "sat"
> word(sentences, -1)
[1] "cat"  "down"
> word(sentences, 2, -1)
[1] "saw a cat" "sat down" 
> # Also vectorised over start and end
> word(sentences[1], 1:3, -1)
[1] "Jane saw a cat" "saw a cat"      "a cat"         
> word(sentences[1], 1, 1:4)
[1] "Jane"           "Jane saw"       "Jane saw a"     "Jane saw a cat"


정규표현식에 관하여 궁금한 점이 많을 것 같습니다.
자세한 사항은 "정규 표현식"이나 regular expression으로 구글링 하세요. ㅋㅋㅋㅋ





댓글

댓글 쓰기

이 블로그의 인기 게시물

Bradley-Terry Model: paired comparison models

-
이미지
동기 세상에는 비교할 것이 많습니다. 여러분에게 3가지 옵션이 주어져 있다면 전부 세 번 비교를 할 수 있습니다. 예를 들어, 사과, 바나나, 파인애플 중에서 무엇을 더 좋아하는지 물어볼 수 있습니다. 사과를 A, 바나나를 B, 파인애플을 C라고 하면 A 와 B B 와 C A 와 C 이렇게 비교할 수 있습니다. 비교는 어렵지 않지만, 만약 여러분이 채식을 좋아하는지 육식을 좋아하는지에 따라 비교의 결과가 다른지 알아보려면 어떠한 방법을 써야 할까요? Bradley-Terry의 로그선형모델(Log-Linear Bradley-Terry model, LLBT Model)을 사용하면 답을 얻을 수 있습니다. Paired-comparison 분석 방법은 Categorical data analysis의 일종으로 연구에 응용할 수 있는 여지가 많은 분석 방법입니다. Worth Parameter 우선 worth parameter에 대해 설명을 해야겠습니다. 위의 식은 객체 j를 객체 k보다 좋아할 확률을 계산하는 함수를 보여줍니다. 이때 계산에 사용되는 파이를 worth parameter라고 합니다. worth parameter가 주어져 있다면 선호하는 확률을 계산할 수 있다는 의미입니다. 예를 들어 j의 worth parameter가 7이고, k의 worth parameter가 3이리면 j를 k보다 좋아하는 확률은 0.7(=7/(7+3))입니다. Design Structure LLBT에 관련된 자세한 연구는 Fienberg & Larntz (1976)이나 Dittrich et al. (1998)을 참조하시고... 여기서는 간단히 데이터를 정리해서 {prefmod} 패키지로 LLBT를 사용하는 방법에 초점을 맞추겠습니다. 우선 Response는 결과값을 기록하는 방법입니다. 비교의 앞쪽을 선호하면 1, 뒤쪽을 선호하면 -1이라고 기록했습니다. 미리 설명하지만 {prefmod}에서는 앞쪽을 선호하면 1,...
자세한 내용 보기

xlwings tutorial - 데이터 계산하여 붙여 넣기

-
xlwings View PDF File XLWings 사용하기 ¶ xlwings로 Excel 데이터 열어서 계산하기 In [ ]: #Pokemon.xlsx #xlwings를 열겠습니다. import xlwings as xw #pandas를 가져옵니다. import pandas as pd #numpy를 가져옵니다. import numpy as np In [ ]: #active sheet를 가져옵니다. sht = xw . sheets . active ![image.png](attachment:image.png) In [ ]: #active sheet의 전체 데이터를 가져옵니다. #header가 있고 index가 없는 데이터이기 때문에 index=False로 설정합니다. #만약 header도 없으면 header=False로 합니다. df = sht [ 0 , 0 ] . options ( pd . DataFrame , expand = 'table' , index = False ) . value In [25]: #컬럼 이름을 확인해보겠습니다. df . columns Out[25]: Index(['#', 'Name', 'Type', 'Total', 'HP', 'Attack', 'Defense', 'Special Attack', 'Special Defense', 'Speed', 'AD_ratio', 'AD_type'], dtype='obje...
자세한 내용 보기

R에서 csv 파일 읽는 법

-
R은 read.csv() 함수를 기본으로 제공합니다. 그러나 여러분이 이 함수를 쓰면 안되는 몇 가지 이유가 있습니다. 우선 느립니다! 다른 이유는 아실 필요 없겠습니다. 느립니다!!! 대안으로 readr 패키지의 read_csv() 함수를 추천합니다. 그런데, 이 함수는 기본적으로 UTF-8 인코딩된 CSV 파일에 맞춰 설계되었습니다. 대부분의 한국 데이터가 EUC-KR 형식의 CSV이기 때문에 호환이 안된다고 불평하십니다. 안되긴요... 여러분이 한글 Windows를 쓰고 있고, Excel에서 CSV로 뽑은(즉 EUC-KR 혹은 CP949) 형식일 때, > library(readr) > my_data = read_csv("myfile.csv",locale=locale('ko',encoding='euc-kr')) 이렇게 하시면 됩니다. 그냥 UTF-8 형식이었다면 > my_data = read_csv("myfile.csv") 이렇게 하면 됩니다.
자세한 내용 보기