本专题总结
本专题一共四篇文章，这是第四篇，在这里对前三篇文章进行总结，再进行进一步的分析，最后说一些更高级的字符串处理。
- 字符串处理综述篇：主要讲述本专题字符串处理学习的基本思路，列出学习框架，给出R与python字符串处理的各种资源。同时给出了一个在学习上普世的方法论，虽然放在字符串处理这个专题下面，但是我认为相比于字符串处理，这个方法论是我更想和大家分享的内容，在以后的专题中，我们还会经常使用这个方法论来学习。
- 字符串处理R篇：主要分为两个部分，一个是使用基础函数，一个是使用stringr包。
- 字符串处理python篇：主要分为两个部分，一个是字符串方法和re库，另一个是pandas库。
后两篇文章根据综述中讲述的学习框架，填充知识点，使知识更加系统完整。四种方法都附有实践练习，让读者更清楚地了解其用途。
各种方法对比分析
虽然知识按照框架填充好了，但是只有将这四种方法放在一起对比一番，才能有更深的理解。我最后用每一种方法处理相同的问题，正是要对比其中的差异。
这里还是贴上这张字符串处理需求的图
在R语言篇，我们讲述了stringr包几乎全部重写了基础的函数，而且使用简单，运行快速，基础函数方法可以完全被替代掉。
stringr包和python字符串方法和re库的比较上，前者较后者多了向量化操作，避免了循环，这是一个优势。但是分组提取没有后者那么灵活，从提取电影名上就可以看得出来。
pandas库将python的字符串方法全部向量化，同时支持正则表达式和re库中的函数功能，可谓集stringr和字符串方法之大成。
后三者虽然有些许的差异，但是差别微乎其微，完全可以独当一面。
虽然pandas库功能最强，但是它是用来做数据分析的，很少有听说在爬虫等地方还专门用这个库来提取字符串，因为向量化并不是不可替代的。所以下面我们拿re库来代表python，与R做一个比较。
相比之下，R语言的最大特点就是支持向量化操作，同时擅长在向量里面处理。所以读取文件中的长字符串时，常常喜欢分行读取，或者读取整个字符串之后按换行符\n进行拆分，每一行作为字符串的一个元素，再对这个向量进行操作。
而python提取、分组功能足够强大，常常可以直接处理整个大的字符串，比如爬取网页源代码之后，可以直接根据标签选取所需内容。
暂时想到这些，以后想到还会补充。
字符串的高级使用方法
在接触字符串处理过程中，会遇到各种各样意想不到的难题，这就需要我们更深入地研究。正则表达式作为一个非常强大的工具，如果能够熟练掌握，就能解决许多平常方法难以解决的问题。网上大多数教程都只是初级的使用，比较深的内容即使讲述了原理，初学者还是不知道能用来哪个地方。就比如正则表达式更深的东西，如果不是真正遇到那种问题，根本想不出这些复杂的方法有什么用。
原理部分之前列的资源里都有，这里我会举几个高级方法使用的例子。
下面处理几个相对比较有难度的问题，主要基于正则表达式，使用stringr包完成
1.一个注意事项：使用|实现”或”的功能，但是这里要注意，这个”或”两侧的东西不是完全等价的。在整个字符串中先按照|前面的找一遍匹配好了，再按照后面的找有没有漏的。而如果放在[]中实现或的功能则二者同等地位。我们来看下面一个例子
a <- "aaajafdkj"
str_extract_all(a,"a\\w*?j|a\\w*?a")
# "aaaj" "afdkj"
str_extract_all(a,"a\\w*?[aj]")
# "aa" "aj" "afdkj"
# 下面是不加?的贪婪模式的情况
str_extract_all(a,"a\\w*j|a\\w*a")
# "aaajafdkj"
其中\w*是指0个或多个字母，加一个?表示非贪婪模式，如果是默认的贪婪模式，上来就会把整个的”aaajafdkj”全匹配下来，因为整个的也满足开头a中间字母最后f的格式，贪婪模式会一次就把最长的匹配出来。
2.零宽断言：之前讲R语言字符串处理（链接）的例子中，我们使用stringr包提取电影名称方法比较麻烦，这里使用较高级的正则表达式——零宽断言一步提取。
library(stringr)
b <- '<span class="title">肖申克的救赎</span>
<span class="title"> / The Shawshank Redemption</span>
<span class="other"> / 月黑高飞(港) / 刺激1995(台)</span>
<span class="title">这个杀手不太冷</span>
<span class="title"> / Léon</span>
<span class="other"> / 杀手莱昂 / 终极追杀令(台)</span>
<span class="title">霸王别姬</span>
<span class="other"> / 再见，我的妾 / Farewell My Concubine</span>'
str_extract_all(b,'(?<=<span class="title">)\\w+(?=</span>)')
# "肖申克的救赎" "这个杀手不太冷" "霸王别姬"
# python中的使用如下
# re.findall('(?<=<span class="title">)\w+(?=</span>)',b)
这里解释一下，两个括号是零宽断言的两种不同形式，零宽断言可以实现匹配但是不作为的功能。不作为可以是，括号里的内容，在使用extract时不被提取、split时不按照它拆分、replace时不被替换。
?<= 代表匹配到的内容前面是<span class="title">， ?=表示匹配到的内容后面是
，这两个位置可以换成其他东西。
这里匹配不作为表示虽然匹配找到了 <span class="title">霸王别姬</span> 这整条，但是不对括号中的内容执行提取的功能，而是对匹配到的其他位置执行，这里就是两个括号中间的\w+对应的电影名被提取出来了。
下面我们还有零宽断言的例子。
3.找到字符串中所有ab，从ab中间split拆开成为多个字符串,如(“abcdabc”)→(“a” “bcda” “bc”)。使用两种方法
用aabb替代ab，然后split以ab为分隔符
a <- "abcdabc"
a1 <- str_replace_all(a,"ab","aabb")
str_split(a1,"ab") # "a" "bcda" "bc"
直接用正则表达式中的零宽断言实现
str_split(a,"(?<=a)(?=b)") # "a" "bcda" "bc"
此处?<= 代表匹配到的内容前面是a，?=表示匹配到的内容后面是b。而括号中间没有内容，则正好是匹配到了ab，按照中间的空白拆分，完美实现我们想要的功能。
4.函数常常可以全部替换或者只替换第一个，但是如果只要替换第三个匹配怎么办？提取一般也涉及到提取全部或者第一个，但是想要第三个可以先提取全部，再从里面提取，不过替换就不行。
思路：匹配的时候就把该位置前面整块都匹配下来，替换时末尾更改，其他的原封不动。我们使用正则表达式中的引用组号功能，给提取的某一部分编号或命名，替换时直接引用编号或名称，将该部分填回去。
s <- "cat goose mouse cat horse pig cat cow"
# 使用默认编号
str_replace(s,'((.*?cat.*?){2})cat', '\\1CAT')
# "cat goose mouse cat horse pig CAT cow"
要想替换第几个，只要把{2}中的数字改一下就好了。
其中.*?代表任意字符（多少个无所谓），这个括号中的内容就代表一个带这1个cat的字符串。{2}代表前面这个的字符串有2个。这两个带有cat的字符串和最后那个cat共同形成匹配的pattern，这个?是非贪婪模式的意思，这样一个括号中才不会匹配到两个cat。
匹配到之后，要保留前面两个带cat的字符串，替换掉最后一个。括号代表分组，最后一个cat前面那个括号代表那里面的内容是一组，这些正好是我们想要保持原封不动的。组会自动编号，从1开始，使用我们后面直接用\1引用这个第一组，加上我们想要替换后面cat的内容，实现了只对第三个cat替换的目的。
5.提取一句话中重复的字母——引用分组。这里使用自定义名字的方法
str_extract("saafafdf","(?<char>\\w)\\k<char>") # "aa"
暂时有这些例子，以后我如果遇到其他有趣的例子会继续往这里补充。
专栏信息
专栏主页：Data Analysis
专栏目录：目录
文末彩蛋
这里讲一讲代码规范，规范的代码可以增加可读性，不仅方便别人理解你的代码，同时也方便了自己日后看自己写的代码。良好的编程习惯体现一个人的素养，所以应该今早养成规范代码书写的习惯。
代码规范包括空格的添加、变量的命名、注释的添加等内容，这些早已有人总结好，不再赘述，下面只贴上学习链接。
