主讲老师第二十一课：正则表达式
关于正则表达式（正则表达式.zip），虽然说传的神乎其神，但是理解后很好用，而且这个正则表达式，前后经历了十来年。我们在 word 文档或者 excel 中，经常使用查找和替换，然而有些情况，word 是解决不了的，举个例子，条件搜索，统计文中，前面有 “data,” “computer” or “statistical” 的 “analysis”，这个单词的个数，找出文中重复的单词，比如“we love love you”，拼写检查，检查电话号码（邮件，密码等）是否正确格式，检查日期书写的规范与统一，提取信息，以及文本挖掘等等。再举个大家比较熟悉的例子，比如我们要在一段 mRNA 序列里查找起始密码子“ATG”的位置，在 word 中使用查找就可以，也可以使用快捷键 Ctrl+F ,输入 ATG 就行，这是常规操作，大家基本都会，但是如果我们要寻找一段CDS区(蛋白编码序列)来看下 CDS 的特征，通常是以 ATG 起始，以 TGA , TAG , TAA 三个中的任意一个结尾，起始和终止中间出现的字符要是 3 的倍数(三联密码子)，然而，上述描述的规律无法直接输入，这
时就需要用一个通用的具有代表性式子来表示，比如说：
这个表达式就称之为正则表达式，Regular Expression，这是一个强大、便捷、高效的文本处理工具。
那么，什么是正则表达式呢？简单点说，正则表达式是处理字符串的，复杂点说，正则表达式描述了一种字符串匹配的模式（pattern），通常被用来检索、替换那些符合某个模式(规则)的文本，这种固定的格式的文本，生活中常见的包括电话号码、网络地址、邮件地址和日期格式等等。然而，正则表达式并不是 R 语言特有的，事实上，几乎所有程序语言都支持正则表达式，比如说，Perl, Python, Java 等等都支持正则表达式。R 语言中很多函数都需要使用正则表达式，然而正则表达式不太好学，幸运的是，大神 Hadley Wickham开发的 stringr 包让正则表达式简单易懂，下面，我们来看下正则表达式与 stringr 包的使用
1.R 包的安装与读取
由于 stringr 包不会一直处理文本数据，所以 stringr 包不属于 tidyverse 包的核心包，因此，在需要使用时我们可以通过命令来加载它，同时，运用前面学过的字符型变量的知识， 我们创建一个包含了不同内容的字符串用于后续的使用。
正则表达式的匹配模式用 pattern 来表示，他把正则表达式在字符串的功能分为四个方面：
1.查找：确定这个模式有没有；
2.定位： 返回模式起止位置；
3.取回：返回模式匹配到的条目；
4.替换：替换匹配的模式，返回替换后的结果。分别是 Detect pattern，Locate pattern，Extract
pattern，以及 Replace pattern。接着，我们将逐个讲解一些常用的函数使用方法。
2.正则表达式中的三个括号
在这里先介绍正则表达式中的三个括号
1.中括号 [] 表示选项，代表内部数据任意选择，举个例子，比如[ATCG]，表示 A，T，C， G 四个字符
随意选择，如果是数字也是一个意思，[1356]，表示有 1，3，5，6 这个四个选项，当然，如果嫌麻烦，也可以用 - 连接起始代表范围，比如[A-Z]，代表大写的 26 个字母，[a-z]，代表小写的 26 个字母，[0-9]，代表从 0 到 9 的 10 个数字，此外，还可以混写，[0-9a-zA-Z]，代表所有的数字和字母
2.大括号 {} 代表重复次数，比如[ATCG]{3}，表示从 A,T,C,G 四个字符中选择 3 个，那么这时候会产生
ATC , ATG , ACG , TCG 4 种组合，也就是所说的三联密码子，如果是两个数，用逗号隔开，代表范围，[0-9]{4,10} 表示产生 4 位数到 10 位数都可以，而如果两个数中的第二个缺失，比如[0-9]{4,}，代表 4 位数及以上。
3.圆括号 () 代表成组，即表示分组，分组，是其中正则表达式的核心功能
了解了理论知识后，我们来看下具体的例子，不过，提前说一下，学了这三个符号以后，特别是[]，别和前面的取子集又搞成一团了，我们根据上面字符型变量中的几个电话号码，来生成一个能够匹配他们的表达模式pattern。
首先，观察一下两个电话号码， 579-499-7527 和 543.355.3679 ，分别由三串数字组成，且中间通过 -或者 . 来进行连接，找到了规律后，我们就可以开始正式构建表达式一开始看可能有些眼花缭乱，我们来进行拆解一下，根据 () 表示分组的功能，我们以 () 为单位进行拆分。
逐个讲解一下，第一个， [1-9][0-9]{2} ，这表示有三个数字，第一个数字不为零，后两位数字从 0-9中任取两个，接着，第二和三个表达式中， [0-9]{3} 和 [0-9]{4} 分别表示 3 位数和四位数，其中，这三个大的表达式之间用 [- .] 来间隔，分别是 - 和 . 号，再回过头去看下这个表达式，是不是和蔼可亲多了呢？
3.str_view 函数的使用
表达模式会构建以后，我们通过 str_view() 函数来展示正则表达式的应用。
经过匹配，最终得到以下的结果形式。
另外，注意一点，在匹配过程中，当一个字符变量中存在多个匹配结果时，默认返回第一个匹配结果，比如说，上面的第四个变量，只显示第一个匹配结果，随后，我们分别根据前面提到的查找、定位、取回和替换四个功能，来分别介绍对应的几个函数的使用方法。
3.1 查找
首先，在查找中，我们介绍一下 str_detect() 函数，从字符串 strings 中检测能否和 pattern匹配，其返回的结果是逻辑值变量。
结果显示，第 2，3，4 个字符变量匹配到了结果
3.2 定位
使用 str_locate() 函数，可以从字符串 strings 中检测能否和 pattern 匹配，返回匹配的起止位置。
3.3 取回
在取回过程中，分为两个不同的情况：
1).使用 str_subset() 函数返回经过匹配得到的原始条目内容2).使用 str_extract() 函数返回的是匹配到的模式内容3).使用 str_match() 函数返回的是一个数据框，在该数据框中，第一列是匹配到的模式内容数据，后面依次是括号中的内容，模式中有多少个 () ,就返回多少列由于本例中有三对小括号，因此一共是 4 列内容。
3.4 替换
使用 str_replace() 函数从 strings 中能够精确匹配 pattern 的内容，并替换为新的内容。
将所有匹配到的内容替换成 XXX-XXX-XXXX。
4.正则表达式中其他相关知识点
4.1 锚点
在默认情况下，正则表达式会匹配字符串中的任意部分，然而，有时候，我们需要一些特定符号的帮助，即所谓的锚点，以使得 R 能从字符串的开头或者结尾处进行匹配：
(1). ^从字符串开头进行匹配；(2). $从字符串结尾进行匹配。
甚至，我们可以同时使用^和$两个符号，来对一个完整的字符串进行精准的匹配。
4.2 表示次数的符号
学会了三个括号以后，接下来，介绍一下另外三个在正则表达式中常用的表示匹配次数的符号。
分别介绍一下三个符号的使用方法：
(1). ?表示 0 次或 1 次；(2). +表示 1 次或多次；(3). *表示 0 次或多次；
再回过头来看下前面最开始提到的内容：
首先是以起始密码子 ATG 开头，接着出现三联密码子，用 [ATCG]{3} , 出现的次数是 1次或者多次，所以整体给个加号 + ，因此得到， ATG([ATCG]{3})+ ，接着要出现终止密码子，有三种，分别是TGA , `TGA , TAA ，正则表达式中竖线 | 表示或的意思，那么 (TGA|TAG|TAA) 就代表，三个终止密码子任意选择一个。接下来，看几个例子当然，我们也可以控制匹配的次数。
5.转义符号
此外，最后还有一个知识点：如果一个字符串出现以下的符号，该怎么匹配？
这些字符我们都已经碰到过，他们比较特别，因为他们除了字符串本身外，还有其他意义，正常情况下出现的时候都是特殊意义。如果想要他代表字符本身的意思，比如点号 . 就代表点号，就需要给他转义，转义的符号是斜杠 \ ，那么点号是不是就应该写为 \. ？
但是，并非如此，这里的斜杠 \ 也属于元字符，需要另外一个斜杠来转义。那么在 R 语言中，如果想要表示匹配点号本身，就应该是这个样子的 \\. 。那么如果特殊一点我要匹配一对括号怎么办？括号也是元字符，那就得转义 \\(\\) 。如果要匹配两个 // ，那就应该写成 \\/\\/ ,十分有趣吧？来看个例子，如果我们想要使用 str_split() 函数进行切分，同时按照点号 . 来切分。
这种情况下结果是这样的，显然不对，因此，点号应该用转义符号去转义。
这样，关于正则表达式的基本内容就先介绍到这里了。