R数据科学Ⅳ：字符串、日期时间型数据与时间序列对象

字符串
日期时间数据

字符串

字符串是用双引号或单引号括起来的若干字符，建议用双引号，除非字符串中包含双引号。
字符串处理不是 R 语言中的主要功能，但也是必不可少的，数据清洗、可视化等操作都会用到。
stringr 包提供了一系列接口一致的、简单易用的字符串操作函数。

1

library(stringr)

字符串的长度（包含字符个数）

1

str_length(c("a", "R for data science", NA))

## [1]  1 18 NA

1

str_pad(c("a", "ab", "abc"), 3) # 填充到长度为3

## [1] "  a" " ab" "abc"

1

str_trunc("R for data science", 10) # 截断到长度为10

## [1] "R for d..."

1

str_trim(c("a ", "b ", "a b")) # 移除空格

## [1] "a"   "b"   "a b"

注：后三个函数都包含参数 side=c(“both”, “left”, “right”)) 设定操作的方向。

字符串合并与拆分

字符串合并

str_c(..., sep="", collapse=NULL)
其中，
sep：设置间隔符，默认为空；
collapse：指定间隔符，将字符串向量打开合并为一个字符串。

1
2


# 同paste0("x", 1:3) 或 paste("x", 1:3, sep="")
str_c("x", 1:3, sep="")

## [1] "x1" "x2" "x3"

1

str_c("x", 1:3, collapse="_")

## [1] "x1_x2_x3"

注： 1:3 自动向下兼容以适应字符串运算，效果同 c(“1”,“2”,“3”)

将字符串重复 n 次

str_dup(string, times)
其中，
string：为要重复的字符向量；
times：为重复的次数。

1

str_dup(c("A","B"), 3)

## [1] "AAA" "BBB"

1

str_dup(c("A","B"), c(3,2))

## [1] "AAA" "BB"

字符串拆分

str_split(string, pattern)
str_split_fixed(string, pattern, n)
其中，
string：为要拆分的字符串；
paĴern：指定拆分的分隔符，可以是正则表达式。
注: 前者返回列表, 后者返回矩阵，且能用 n 控制返回的列数。

1
2


x <- '10,8,7'
str_split(x, ",")

## [[1]]
## [1] "10" "8"  "7"

1

str_split_fixed(x, ",", n=2)

##      [,1] [,2] 
## [1,] "10" "8,7"

字符串插入值

只要在字符串内用 {变量名} ，则函数 str_glue()和str_glue_data就可以将字符串中的变量名替换成变量值，后者的参数.x支持引入数据框、列表等。

1

str_glue("Pi = {pi}")

## Pi = 3.14159265358979

1
2
3


name <- " 李明"
tele <- "13912345678"
str_glue("姓名: {name}", "电话号码: {tele}", .sep="；")

## 姓名:  李明；电话号码: 13912345678

字符串排序

str_sort(x, decreasing=FALSE, locale="en", ...)
str_order(x, decreasing=FALSE, locale="en", ...)

默认为升序，前者返回排好序的元素，后者返回排好序的索引；参数 locale 可设定语言。

1
2


x <- c("banana", "apple", "pear")
str_sort(x)

## [1] "apple"  "banana" "pear"

1

str_order(x)

## [1] 2 1 3

1

str_sort(c("香蕉", "苹果", "梨"), locale="ch")

## [1] "梨"   "苹果" "香蕉"

检测匹配

`str_detect(string, pattern, negate=FALSE)` —— 检测是否存在匹配
`str_which(string, pattern, negate=FALSE)` —— 查找匹配的索引
`str_count(string, pattern)` —— 计算匹配的次数
`str_locate(string, pattern)` —— 定位匹配的位置
`str_starts(string, pattern)` —— 检测是否以 paĴern 开头
`str_ends(string, pattern)` —— 检测是否以 paĴern 结尾
其中，
string：为要检测的字符串；
paĴern：为匹配的模式，可以是正则表达式；
negate：默认为 FALSE 表示正常匹配，若为 TRUE 则反匹配（找不匹配）。

1

x

## [1] "banana" "apple"  "pear"

1

str_detect(x, "p")

## [1] FALSE  TRUE  TRUE

1

str_which(x, "p")

## [1] 2 3

1

str_count(x, "p")

## [1] 0 2 1

1

str_locate(x, "a.") # 正则表达式, .匹配任一字符

##      start end
## [1,]     2   3
## [2,]     1   2
## [3,]     3   4

提取字符串子集

str_sub()

根据指定的起始和终止位置提取子字符串，基本格式为：

str_sub(string, start=1, end=-1)

1

str_sub(x, 1, 3)

## [1] "ban" "app" "pea"

1

str_sub(x, 1, 5) # 若长度不够, 则尽可能多地提取

## [1] "banan" "apple" "pear"

1

str_sub(x, -3, -1)

## [1] "ana" "ple" "ear"

注：若对提取的子串赋值，则为修改字符串。

str_subset()

查找字符串向量中匹配的字符串，基本格式为：

str_subset(string, pattern, negate=FALSE) 若 negate=TURE, 则返回不匹配的字符串。

1

str_subset(x, "p")

## [1] "apple" "pear"

str_extract() 和 str_match()

用 str_extract()来提取匹配的内容；
用str_match()来提取匹配的内容以及各个分组捕获，返回矩阵，每行对应于字符串向量中的一个字符串，每行的第一个元素是匹配内容，其它元素是各个分组捕获，没有匹配则为 NA

1
2
3


x <- c("1978-2000", "2011-2020-2099")
pat <- "\\b(19|20)([0-9]{2})\\b" # 正则表达式
str_extract(x, pat)

## [1] "1978" "2011"

1

str_match(x, pat)

##      [,1]   [,2] [,3]
## [1,] "1978" "19" "78"
## [2,] "2011" "20" "11"

修改字符串

用新字符串赋值给 str_sub()提取的子字符串；
用str_replace() 做字符替换，基本格式为：

str_replace(string, pattern, replacement)
其中，
paĴern：要替换的子字符串或模式；
replacement：要替换为的新字符串。

1

x

## [1] "1978-2000"      "2011-2020-2099"

1

str_replace(x, "-", "/")

## [1] "1978/2000"      "2011/2020-2099"

转化大小写

str_to_upper() —— 转换为大写；
str_to_lower() —— 转换为小写；
str_to_title() —— 转换标题格式（单词首字母大写）

1

str_to_lower("I love r language.")

## [1] "i love r language."

1

str_to_upper("I love r language.")

## [1] "I LOVE R LANGUAGE."

1

str_to_title("I love r language.")

## [1] "I Love R Language."

其它函数

str_conv(string, encoding) —— 转化字符串的字符编码
str_view(string, paĴern, match) —— 在 Viewer 窗口输出（正则表达式）模式匹配结果 -word(string, start, end, sep=" ") —— 从英文句子中提取单词
str_wrap(string, width=80, indent=0, exdent=0) —— 调整段落格式

关于 stringr 包的注： - 以上查找匹配的各个函数，只是查找第一个匹配，要想查找所有匹配，各个函数都有另一版本：加后缀 _all，例如 str_extract_all() - 以上各个函数中的参数 pattern 都支持用正则表达式（Regular Expression, RE）表示模式 - 正则表达式，是根据字符串规律按一定法则，简洁表达一组字符串的表达式。 - 正则表达式是表示一组字符串的特征（或模式）, 正则表达式是处理文本数据非常强大的工具，需要专门篇幅来讲解。

日期时间数据

日期值通常以字符串形式传入 R 中，然后转化为以数值形式存储的日期变量。
R 的内部日期是以 1970 年 1 月 1 日至今的天数来存储，内部时间则是以 1970 年1 月 1 日至今的秒数来存储。
lubridate包提供了更加方便的函数，生成、转换、管理日期时间数据。

1

library(lubridate)

## 
## Attaching package: 'lubridate'

## The following objects are masked from 'package:base':
## 
##     date, intersect, setdiff, union

识别日期时间

1

today()

## [1] "2020-12-25"

1

now()

## [1] "2020-12-25 16:25:50 CST"

1

as_datetime(today()) # 日期型转日期时间型

## [1] "2020-12-25 UTC"

1

as_date(now()) # 日期时间型转日期型

## [1] "2020-12-25"

无论年月日/时分秒按什么顺序及以什么间隔符分隔，总能正确地识别成日期时间值：

1

ymd("2020/03~01")

## [1] "2020-03-01"

1

myd("03202001")

## [1] "2020-03-01"

1

dmy("03012020")

## [1] "2020-01-03"

1

ymd_hm("2020/03~011213")

## [1] "2020-03-01 12:13:00 UTC"

注：根据需要可以 ymd_h/myd_hm/dmy_hms 任意组合；可以用参数 tz =“…” 指定时区。

也可以用 make_date() 和 make_datetime() 从日期时间组件创建日期时间：

1

make_date(2020, 3, 5)

## [1] "2020-03-05"

1

make_datetime(2020, 3, 5, 21, 7, 15)

## [1] "2020-03-05 21:07:15 UTC"

格式化输出日期时间

用 format() 函数

1
2


d <- make_date(2020, 3, 5)
format(d, '%Y/%m/%d')

## [1] "2020/03/05"

用 stamp()函数，按给定模板格式输出

1
2


t <- make_datetime(2020, 3, 5, 21, 7, 15)
fmt <- stamp("Created on Sunday, Jan 1, 1999 3:34 pm")

## Multiple formats matched: "Created on Sunday, %Om %d, %Y %H:%M %Op"(1), "Created on Sunday, %Om %d, %Y %H:%M pm"(1)

## Using: "Created on Sunday, %Om %d, %Y %H:%M %Op"

1

fmt(t)

## [1] "Created on Sunday, 03 05, 2020 21:07 下午"

提取日期时间数据的年月日周时分秒

1
2


t<-ymd_hms("2020/03/05 21:07:15") 
t

## [1] "2020-03-05 21:07:15 UTC"

1

year(t)

## [1] 2020

1

quarter(t) # 第几季度

## [1] 1

1

month(t)

## [1] 3

1

day(t)

## [1] 5

1

yday(t) # 当年的第几天

## [1] 65

1

hour(t)

## [1] 21

1

minute(t)

## [1] 7

1

second(t)

## [1] 15

1

weekdays(t)

## [1] "星期四"

1

wday(t) # 数值表示本周第几天, 默认周日是第1天

## [1] 5

1

wday(t,label=T) # 字符因子型表示本周第几天

## [1] 周四
## Levels: 周日 < 周一 < 周二 < 周三 < 周四 < 周五 < 周六

1

week(t) # 当年第几周

## [1] 10

1

tz(t) # 时区

## [1] "UTC"

用 with_tz()将时间数据转换为另一个时区的同一时间；force_tz() 将时间数据的时区强制转换为另一个时区：

1

with_tz(t, tz="America/New_York")

## [1] "2020-03-05 16:07:15 EST"

1

force_tz(t, tz="America/New_York")

## [1] "2020-03-05 21:07:15 EST"

还可以模糊提取（取整）到不同时间单位：

1

round_date(t, unit="hour") # 四舍五入取整到小时

## [1] "2020-03-05 21:00:00 UTC"

注：类似地，向下取整: floor_date(); 向上取整: ceiling_date() - rollback(dates, roll_to_first=FALSE, preserve_hms=TRUE)：回滚到上月最后一天或本月第一天

时间段数据

interval() —— 计算两个时间点的时间间隔，返回时间段数据

1
2
3
4


begin <- ymd_hm("2019-08-10 14:00")
end <- ymd_hm("2020-03-05 18:15")
gap <- interval(begin, end)
gap

## [1] 2019-08-10 14:00:00 UTC--2020-03-05 18:15:00 UTC

1

time_length(gap,'day') # 计算时间段的长度为多少天

## [1] 208.1771

1

time_length(gap,'minute') # 计算时间段的长度为多少分钟

## [1] 299775

1

t %within% gap # 判断t是否属于该时间段

## [1] FALSE

duration() —— 以数值+时间单位存储时段的长度

1

duration(100, units="day")

## [1] "8640000s (~14.29 weeks)"

1
2


int <- as.duration(gap)
int

## [1] "17986500s (~29.74 weeks)"

period() —— 同 duration()

二者区别：duration是基于数值线，不考虑闰年和闰秒；period 是基于时间线，考虑闰年和闰秒。
比如，duration 中的 1 年总是365天，而 period 的平年 365 天闰年 366 天。

固定单位的时间段

period 时间段：years(), months(), weeks(), days(), hours(), minutes(), seconds();
duration 时间段：dyears(), dmonths(), dweeks(), ddays(), dhours(), dminutes(),dseconds().

1

dyears(1)

## [1] "31557600s (~1 years)"

1

years(1)

## [1] "1y 0m 0d 0H 0M 0S"

日期的时间的计算

时间点+时间段生成一个新的时间点：

1

t + int

## [1] "2020-09-30 01:22:15 UTC"

1

leap_year(2020) # 判断是否闰年

## [1] TRUE

1

ymd(20190305) + years(1) # 加period的一年

## [1] "2020-03-05"

1

ymd(20190305) + dyears(1) # 加duration的一年, 365天

## [1] "2020-03-04 06:00:00 UTC"

1

t + weeks(1:3)

## [1] "2020-03-12 21:07:15 UTC" "2020-03-19 21:07:15 UTC"
## [3] "2020-03-26 21:07:15 UTC"

除法运算：

1

gap / ddays(1) # 除法运算, 同time_length(gap,'day')

## [1] 208.1771

1

gap %/% ddays(1) # 整除

## [1] 208

1

gap %% ddays(1) #余数

## [1] 2020-03-05 14:00:00 UTC--2020-03-05 18:15:00 UTC

1

as.period(gap %% ddays(1))

## [1] "4H 15M 0S"

月份加运算: %m+%，可实现日期按月数增加。例如，得到每月同一天的日期数据：

1
2


date <- as_date("2019-01-01")
date %m+% months(0:11)

##  [1] "2019-01-01" "2019-02-01" "2019-03-01" "2019-04-01" "2019-05-01"
##  [6] "2019-06-01" "2019-07-01" "2019-08-01" "2019-09-01" "2019-10-01"
## [11] "2019-11-01" "2019-12-01"

prety_dates()生成近似的时间刻度：

1
2


x <- seq.Date(as_date("2019-08-02"), by="year", length.out=2)
pretty_dates(x, 12)

##  [1] "2019-08-01 UTC" "2019-09-01 UTC" "2019-10-01 UTC" "2019-11-01 UTC"
##  [5] "2019-12-01 UTC" "2020-01-01 UTC" "2020-02-01 UTC" "2020-03-01 UTC"
##  [9] "2020-04-01 UTC" "2020-05-01 UTC" "2020-06-01 UTC" "2020-07-01 UTC"
## [13] "2020-08-01 UTC" "2020-09-01 UTC"

时间序列数据

为了研究某一事件的规律，依据时间发生的顺序将事件在多个时刻的数值记录下来，就构成了一个时间序列，用 Y**t 表示。
例如，国家或地区的年度财政收入，股票市场的每日波动，气象变化，工厂按小时观测的产量等等。另外，随温度、高度等变化而变化的离散序列，也可以看作时间序列。
ts 数据类型是专门为时间序列设计的，一个时间序列数据，其实就是一个数值型向量，且每个数都有一个时刻与之对应。
用 ts() 函数生成时间序列，基本格式为：

ts(data, start=1, end, frequency=1, ...)
其中，data：为数值向量或矩阵；
start：设置起始时刻；
end：设置结束时刻；
frequency：设置时间频率，默认为 1，表示一年有 1 个数据。

1

ts(data=1:10, start=2010, end=2019) # 年度数据

## Time Series:
## Start = 2010 
## End = 2019 
## Frequency = 1 
##  [1]  1  2  3  4  5  6  7  8  9 10

1

ts(data=1:10, start=2010, frequency=4) # 季度数据

##      Qtr1 Qtr2 Qtr3 Qtr4
## 2010    1    2    3    4
## 2011    5    6    7    8
## 2012    9   10

同理，月度数据则 frequency=12，周度数则为 frequency=52，日度数据则为 frequency=365

注： tsibble 包、fable 包、feasts 包是最新 “tidy” 系列的时间序列数据处理包

关于 R 数据结构的注：

从向量的角度来看，R 的数据结构分为：
- 原子向量：各个值都是同类型的，包括 6 种类型：logical、integer、 double、character、complex、raw，其中 integer 和 double 也统称为 numeric；
- 列表：各个值可以是不同类型的，NULL 表示空向量（长度为 0 的向量）
向量都有两个属性：type（类型）、length（长度）
还能以属性的方式向向量中任意添加额外的 metadata（元数据），属性可用来创建扩展向量，以执行一些新的操作。常用的扩展向量有：
- 基于整数型向量构建的因子
- 基于数值型向量构建的日期和日期时间
- 基于数值型向量构建的时间序列
- 基于列表构建的数据框和 tibble

文章目录

字符串

字符串的长度（包含字符个数）

字符串合并与拆分

字符串合并

字符串拆分

字符串插入值

字符串排序

检测匹配

提取字符串子集

str_sub()

str_subset()

str_extract() 和 str_match()

修改字符串

转化大小写

其它函数

日期时间数据

识别日期时间

格式化输出日期时间

提取日期时间数据的年月日周时分秒

时间段数据

interval() —— 计算两个时间点的时间间隔，返回时间段数据

duration() —— 以数值+时间单位存储时段的长度

period() —— 同 duration()

固定单位的时间段

日期的时间的计算

时间序列数据