티스토리 뷰
문자열 함수 - Stringr 패키지
stringr 패키지는 문자열 데이터를 가공하기 위해 자주 사용되는 유용한 패키지입니다.
문자열 치환, 벡터 연산, 함수의 결과를 반복문없이 저장해주는 등 편리한 함수들을 가지고 있습니다.
install.packages("stringr")
library(stringr)
1. str_detect() 함수
str_detect() 함수는 원소별 패턴 검사를 위해 사용됩니다. 오라클의 like 연산자와 유사하죠.
str_detect(대상, 패턴) # 대소구분. 논리값으로 리턴
> v1 <- c('aa', 'ba', 'ccb', 'Ab', 'Bbc')
> str_detect(v1,'a')
[1] TRUE TRUE FALSE FALSE FALSE
> v1[c(T,T,F,F,F)] # boolean 벡터. 원소에 논리값을 매칭시켜서 true인 값만 색인하므로 데이터 추출에도 유용합니다.
[1] "aa" "ba" # 원소 순서대로 boolean값이 전달
> emp[ c(T,F,F,...) , c(T,F,F,...) ] # data frame 의 경우 행, 열 범위에 다 사용 가능합니다.
* 정규식 표현
v1[str_detect(v1,'a')] # 순서 상관없이 'a'를 포함하는 원소 출력
str_detect(v1,'^a') # 'a' 로 시작하는 원소 (^는 시작의 의미)
v1[str_detect(v1,'^a')] # 'a' 로 시작하는 원소 출력
v1[str_detect(v1,'^[aA]')] # 대소 상관 없이 'a' 로 시작하는 원소 출력
[aA] : a or A (문자열 표현식에서의 []는 하나의 글자 패턴의 완성)
v1[str_detect(v1,'^[aAbB]')] # 대소 상관 없이 'a' 혹은 'b' 로 시작하는 원소 출력
v1[str_detect(v1,'^[aA][bB]')] # 대소 상관 없이 a로 시작, 두 번째가 b.
[]는 하나의 글자를 의미. ^[][] 는 두 글자로 시작하는 원소를 의미
str_detect(v1,'a$') # 'a' 로 끝나는 원소 ($는 끝의 의미)
v1[str_detect(v1,'a$')] # 'a' 로 끝나는 원소 출력.
# emp 에서 이름이 s로 시작하는 직원의 정보 출력
> emp[str_detect(emp$ENAME, '^[sS]'),]
ENAME JOB MGR HIREDATE SAL COMM DEPTNO comm2 AVG_SAL
7369 SMITH CLERK 7902 1980-12-17 0:00 800 NA 20 100 2175
7788 SCOTT ANALYST 7566 1987-04-17 0:00 3000 NA 20 100 2175
2. str_count() 함수
str_count() 함수는 특정 문자의 출현 횟수 카운트를 위해 사용됩니다.
> v1
[1] "aa" "ba" "ccb" "Ab" "Bbc"
> str_count(v1.ignore.case('a')) # 대소문자 구별 없이 카운트. 현재 사용 불가 (사용 될 때도 있고, 안 될 때도 있고..)
Error in v1.ignore.case("a") : could not find function "v1.ignore.case"
> str_count(v1,'a') # 대소문자 구별
[1] 2 1 0 0 0
3. str_c() 함수
str_c() 함수는 문자열 결합을 위해 사용됩니다.
# 결합 함수의 주의점 !!!
> v1 <- c('a','b','c')
> str_c('a','b','c') # 함수 내에 분리된 인자들을 연결
[1] "abc"
> str_c(v1) # 여러개의 값이 들어있는 하나의 인자를 연결하기 때문에 옵션이 필요
[1] "a" "b" "c"
> str_c('a','b','c', sep = ',') # 분리된 인자들을 연결
[1] "a,b,c"
> str_c(v1, collapse = ',')
[1] "a,b,c"
4. str_dup() 함수
str_dup() 함수는 원소마다 반복 출력을 위해 사용됩니다.
> str_dup(v1, 3)
[1] "aaaaaa" "bababa" "ccbccbccb" "AbAbAb" "BbcBbcBbc"
5. str_length() 함수
str_length() 함수는 문자열의 길이, 벡터의 각 원소의 길이 확인을 위해 사용됩니다.
6. str_locate() 함수
str_locate() 함수는 특정 문자와 매칭하는 문자열의 시작(끝) 위치 확인을 위해 사용됩니다.
7. str_locate_all() 함수
str_locate_all() 함수는 특정 문자와 매칭하는 문자열의 모든 위치 확인을 위해 사용됩니다.
8. str_replace() 함수 중요!
str_replace() 함수는 (처음으로 매칭하는 값만의)문자의 치환과 삭제에 자주 사용됩니다. 굉장히 많이 사용된다고 하니 중요!
str_replace_all() 함수는 (매칭하는 모든 값의)문자의 치환과 삭제에 자주 사용
> str_replace('apple','p','*') # 처음으로 매칭하는 값만 치환
[1] "a*ple"
> str_replace('apple','p','**')
[1] "a**ple"
> str_replace_all('apple','p','*') # 매칭하는 모든 값을 치환
[1] "a**le"
> v4 <- c('1,100', '2,300', '3,900') # 1000 단위 구분기호, (,)컴마 때문에 문자로 인식하겠죠?
> v4 + 100 # 문자와 숫자는 연산 불가 !
Error in v4 + 100 : non-numeric argument to binary operator
> v4 <- str_replace(v4,',','') # (,)컴마 제거
> as.numeric(v4) + 100 # 숫자형으로 변환 후 연산
[1] 1200 2400 4000
> v4 <- c('1,100,200', '1,002,300', '1,003,900') # (,)컴마가 두 개 이상이라면, 그냥 replace() 함수는 모두 치환이 불가하답니다.
> v4 <- str_replace_all(v4,',','') # 그렇기 때문에 이럴 때는 이왕이면 replace_all() 함수를 사용하는게 좋겠죠?
> as.numeric(v4) + 100
[1] 1100300 1002400 1004000
9. str_split() 함수
str_split() 함수는 기호를 기준으로 문자열을 분리하기 위해 사용됩니다. 결과는 리스트 형식으로 리턴됩니다.
> animal <- str_c('pig', '/', 'dog', '/', 'cat')
> animal
[1] "pig/dog/cat"
> str_split(animal, '/') # '/' 기호를 기준으로 분리
[[1]] # 리스트 형식의 결과
[1] "pig" "dog" "cat"
10. str_sub() 함수
str_sub() 함수는 문자열에서 원하는 문자(데이터)만 추출하기 위해 사용됩니다. 인자는 위치(주소) 기반
> animal
[1] "pig/dog/cat"
> str_sub(animal, start = 1, end = 3)
[1] "pig"
> str_sub(animal, start = 5, end = 7)
[1] "dog"
> str_sub(animal, start = 5) # end 생략 시 끝까지 추출
[1] "dog/cat"
> str_sub(animal, start = -4) # 음수 기입 시, 뒤에서부터 n번째 위치를 기준으로 start
[1] "/cat"
11. str_trim() 함수
str_trim() 함수는 공백 제거 용도로 사용됩니다.
공백 제거 방향은 옵션으로 설정할 수 있고, 중간 공백은 삭제가 되지 않습니다. (중간 공백 치환을 위해서는 replace() 함수를 사용)
> str_trim(' pig dog cat ')
[1] "pig dog cat" # 양 쪽 공백 제거
> str_trim(' pig dog cat ', side = 'left')
[1] "pig dog cat " # 왼쪽 공백 제거
> str_trim(' pig dog cat ', side = 'right')
[1] " pig dog cat" # 오른쪽 공백 제거
Q.
# student.csv 파일을 읽고
> student <- read.csv('student.csv')
> student
STUDNO NAME ID GRADE JUMIN BIRTHDAY TEL HEIGHT WEIGHT DEPTNO1 DEPTNO2 PROFNO
1 9411 이진욱 75true 4 7.510232e+12 1975/10/23 00:00:00 055)381-2158 180 72 101 201 1001
2 9412 서재수 pooh94 4 7.502241e+12 1975/02/24 00:00:00 051)426-1700 172 64 102 NA 2001
...
19 9714 김주현 kimjh 1 7.803242e+12 1978/03/24 00:00:00 055)423-9870 179 81 102 NA NA
20 9715 허우 wooya2702 1 7.802232e+12 1978/02/23 00:00:00 02)6122-2345 163 51 103 NA NA
> library(stringr)
# 1. TEL 컬럼을 사용하여 지역번호 추출
# str_sub, str_locate 함수 사용
> student$TEL
[1] 055)381-2158 051)426-1700 053)266-8947 02)6255-9875 031)740-6388 055)333-6328 051)418-9627 051)724-9618 055)296-3784
[10] 02)312-9838 02)6788-4861 055)488-2998 053)736-4981 02)6175-3945 051)785-6984 055)278-3649 02)381-5440 031)345-5677
[19] 055)423-9870 02)6122-2345
> str_sub(student$TEL,
+ start = 1,
+ end = str_locate(student$TEL, '\\)')[,1]-1)
[1] "055" "051" "053" "02" "031" "055" "051" "051" "055" "02" "02" "055" "053" "02" "051" "055" "02" "031"
[19] "055" "02"
# str_split 함수 사용
> str_split(student$TEL, '\\)') # 리스트 형식으로 출력, 각 층의 첫 번째 값을 가져오려면 반복문이 필요!
[[1]]
[1] "055" "381-2158"
[[2]]
[1] "051" "426-1700"
...
[[19]]
[1] "055" "423-9870"
[[20]]
[1] "02" "6122-2345"
> v1 <- c() # 빈 벡터 생성 (for문은 바로 값을 저장할 수 없으므로)
> for(i in 1:length(student$TEL)){
+ v1 <- c(v1, str_split(student$TEL, '\\)')[[i]][1])
+ }
> v1
[1] "055" "051" "053" "02" "031" "055" "051" "051" "055" "02" "02" "055" "053" "02" "051" "055" "02" "031"
[19] "055" "02"
# 2. 여학생 정보만 추출
> as.character(student$JUMIN)
[1] "7510231901810" "7502241128467" "7506152123648" "7512251063421" "7503031639826" "7601232186327" "7604122298371"
[8] "7609112118379" "7601202378641" "7610122196482" "7711291186223" "7704021358674" "7709131276431" "7702261196365"
[15] "7712141254963" "7808192157498" "7801051776346" "7808091786954" "7803241981987" "7802232116780"
> student[str_sub(student$JUMIN,7,7) == "2", ]
STUDNO NAME ID GRADE JUMIN BIRTHDAY TEL HEIGHT WEIGHT DEPTNO1 DEPTNO2 PROFNO
3 9413 이미경 angel000 4 7.506152e+12 1975/06/15 00:00:00 053)266-8947 168 52 103 203 3002
6 9511 김신영 bingo 3 7.601232e+12 1976/01/23 00:00:00 055)333-6328 164 48 101 NA 1002
...
16 9711 이윤나 prettygirl 1 7.808192e+12 1978/08/19 00:00:00 055)278-3649 162 48 101 NA NA
20 9715 허우 wooya2702 1 7.802232e+12 1978/02/23 00:00:00 02)6122-2345 163 51 103 NA NA
# 위의 변환식을 확용하여 성별 컬럼 추가("남자", "여자")
# ifelse문 사용
> student$GENDER <- ifelse(str_sub(student$JUMIN,7,7) == "2", "여자", "남자")
> student
STUDNO NAME ID GRADE JUMIN BIRTHDAY TEL HEIGHT WEIGHT DEPTNO1 DEPTNO2 PROFNO GENDER
1 9411 이진욱 75true 4 7.510232e+12 1975/10/23 00:00:00 055)381-2158 180 72 101 201 1001 남자
2 9412 서재수 pooh94 4 7.502241e+12 1975/02/24 00:00:00 051)426-1700 172 64 102 NA 2001 남자
...
19 9714 김주현 kimjh 1 7.803242e+12 1978/03/24 00:00:00 055)423-9870 179 81 102 NA NA 남자
20 9715 허우 wooya2702 1 7.802232e+12 1978/02/23 00:00:00 02)6122-2345 163 51 103 NA NA 여자
# if문 사용 (if문은 벡터연산이 불가하므로 for문 사용)
> v2 <- c()
> for(i in str_sub(student$JUMIN,7,7)){
+ if(i == "2") {
+ v2 <- c(v2,"여자")
+ } else {
+ v2 <- c(v2,"남자")
+ }
+ }
> v2
[1] "남자" "남자" "여자" "남자" "남자" "여자" "여자" "여자" "여자" "여자" "남자" "남자" "남자" "남자" "남자" "여자" "남자" "남자" "남자" "여자"
> student$GENDER2 <- v2
> student
STUDNO NAME ID GRADE JUMIN BIRTHDAY TEL HEIGHT WEIGHT DEPTNO1 DEPTNO2 PROFNO GENDER GENDER2
1 9411 이진욱 75true 4 7.510232e+12 1975/10/23 00:00:00 055)381-2158 180 72 101 201 1001 남자 남자
2 9412 서재수 pooh94 4 7.502241e+12 1975/02/24 00:00:00 051)426-1700 172 64 102 NA 2001 남자 남자
...
19 9714 김주현 kimjh 1 7.803242e+12 1978/03/24 00:00:00 055)423-9870 179 81 102 NA NA 남자 남자
20 9715 허우 wooya2702 1 7.802232e+12 1978/02/23 00:00:00 02)6122-2345 163 51 103 NA NA 여자 여자
참고: KIC 캠퍼스 머신러닝기반의 빅데이터분석 양성과정
'R > Process' 카테고리의 다른 글
| [R] 연산 (0) | 2019.01.02 |
|---|---|
| [R] 정규 표현식 - 정규 표현식을 사용한 데이터 추출 (0) | 2019.01.02 |
| [R] 반복문 - for, while, next, repeat, exit, break (2) | 2019.01.01 |
| [R] 조건문 - if, else if, ifelse (0) | 2018.12.31 |
| [R] 데이터 타입 변환 함수 (0) | 2018.12.27 |