stringr 字符串处理：正则匹配与文本清洗完全指南

问卷的开放题、文献库导出的作者字段、仪器软件吐出的文件名——这些数据进到 R 里都是字符串，而且几乎总带着不一致：全角半角混用、多余空格、单位写在数值后面。stringr 是 tidyverse 里的字符串工具箱，把 base R 那套命名不一、参数顺序各异的函数（grep()、grepl()、sub()、gsub()、regexpr()）统一成了 str_ 前缀的一套接口：字符串向量永远是第一个参数，所以能直接塞进管道。

检测：str_detect

str_detect() 返回逻辑向量，用法和 grepl() 一样，但参数顺序友好得多。拿 mtcars 的车名当例子——它就是一组真实的、格式不太统一的字符串：

library(tidyverse)

cars <- rownames(mtcars)

str_detect(cars, "^Merc") |> sum()
str_subset(cars, "^F")

[1] 7
[1] "Fiat 128"       "Fiat X1-9"      "Ford Pantera L" "Ferrari Dino"

^Merc 里的 ^ 表示行首，所以 Merc 240D 会被匹配，而中间出现 Merc 的名字不会。sum() 作用在逻辑向量上就是数 TRUE 的个数。str_subset() 是「检测 + 取子集」的快捷写法，等价于 cars[str_detect(cars, "^F")]，但要短得多。同族的还有 str_which()，返回的是位置下标，需要按位置取别的列时用它。

默认区分大小写。要忽略大小写，用 regex() 包一层：

str_detect(cars, regex("merc", ignore_case = TRUE)) |> sum()

regex() 还能设置 multiline、dotall 等开关。如果只是按字面量匹配、完全不想要正则语义，用 fixed()——它既更快，也免去转义 (、. 这些元字符的麻烦。

提取：str_extract

str_extract() 返回第一个匹配到的片段，匹配不上时返回 NA（不是空字符串，这个区别后面会咬人）：

str_extract(cars, "\\d+") |> head(5)

[1] "4"   "4"   "710" "4"   NA

前三辆车名里的数字分别是 RX4 的 4、RX4 的 4、710，第四辆 Hornet 4 Drive 匹配到 4，而 Hornet Sportabout 里没有数字，返回 NA。\\d 匹配一个数字，+ 表示「一次或多次」，所以 \\d+ 抓的是连续的一整段数字。

需要一次提取多组信息时用 str_match()，它把每个捕获组单独放一列，返回值是矩阵；str_extract_all() 则返回列表，因为每个元素的匹配个数可能不同。这两个函数的输出结构比 str_extract() 复杂，建议先在小样本上跑通再上全量数据。

替换：str_replace 与 str_replace_all

str_replace() 只替换第一次匹配，str_replace_all() 替换全部——这个区别和 base R 的 sub() / gsub() 一一对应。取出车名里的厂商部分：

str_replace(cars, "\\s.*$", "") |> head(6)

[1] "Mazda"   "Mazda"   "Datsun"  "Hornet"  "Hornet"  "Valiant"

\\s 匹配空白字符，.*$ 匹配它之后的所有内容，替换成空字符串就等于删掉。捕获组可以在替换串里用 \\1、\\2 引用，例如把 Sepal.Length 这种变量名换成 Length (Sepal) 的格式：str_replace(names(iris), "^(\\w+)\\.(\\w+)$", "\\2 (\\1)")。

拆分与拼接

str_split() 按分隔符切开，返回的是列表——这是新手最常卡住的地方，因为它不能直接赋值成数据框的一列：

str_split(cars[1], " ")

[[1]]
[1] "Mazda" "RX4"

取单个元素用 str_split_i(x, " ", 1)，或者加 simplify = TRUE 让它返回矩阵。矩阵确实能直接塞进数据框，但元素个数不一致时它会用空字符串补齐，多出一批空列，所以更推荐 str_split_i()。

拼字符串有三条路：str_c() 是向量化的粘贴（paste0() 的 tidyverse 版本），str_pad() 补位对齐，str_glue() 用 {} 插值，读起来最像模板：

str_pad(c(1, 12, 123), width = 4, pad = "0")

car <- "Maserati Bora"
str_glue("{car} 的马力是 {mtcars[car, 'hp']} hp")

[1] "0001" "0012" "0123"
Maserati Bora 的马力是 335 hp

str_pad() 常用于生成带前导零的编号（样本号 S001、S002），Excel 里丢掉的前导零就靠它补回来。str_glue() 存在 stringr 1.5 及以上版本。

正则表达式速查

别指望背下全部语法，下面这些覆盖了日常八成场景：

写法	含义
\\d / \\D	一个数字 / 一个非数字
\\s / \\S	一个空白字符（空格、制表、换行）/ 非空白
\\w / \\W	字母、数字或下划线 / 取反
[abc] / [^abc]	字符集合中的任意一个 / 集合之外
.	任意一个字符（要匹配真正的点得写 \\.）
^ / $	字符串开头 / 结尾
* / + / ?	0 次以上 / 1 次以上 / 0 或 1 次
{2,4}	重复 2 到 4 次
(...)	捕获组，可在替换串里用 \\1 引用
`a	b`

R 的字符串里反斜杠本身要转义，所以正则的 \d 在代码里写成 "\\d"。这个双反斜杠是中文用户最容易漏的地方。

完整示例：解析车型名称

把检测、提取、筛选接起来，从车名里拆出厂商和排量数字：

tibble(car = rownames(mtcars), mpg = mtcars$mpg) |>
  filter(str_detect(car, "^Merc")) |>
  mutate(engine = str_extract(car, "\\d+")) |>
  arrange(desc(mpg))

# A tibble: 7 × 3
  car           mpg engine
  <chr>       <dbl> <chr>
1 Merc 240D    24.4 240
2 Merc 230     22.8 230
3 Merc 280     19.2 280
4 Merc 280C    17.8 280
5 Merc 450SL   17.3 450
6 Merc 450SE   16.4 450
7 Merc 450SLC  15.2 450

先筛出奔驰的 7 辆车，再把车名里的数字提成 engine 列，最后按油耗降序。注意 engine 是字符型的（<chr>），要参与计算必须 mutate(engine = as.numeric(engine))——提取出来的东西永远是字符串，这一点在 str_extract() 之后要立刻处理掉，否则 mean(engine) 只会得到 NA 和一条警告。

常见的坑

NA 会传播。str_detect() 遇到 NA 返回 NA 而不是 FALSE，在 filter() 里这样的行会被丢掉。做筛选前先决定缺失值算「匹配」还是「不匹配」：str_detect(coalesce(x, ""), "pattern") 能把 NA 当成空串处理。

默认区分大小写，而且不会提示你。清洗英文问卷时先统一 str_to_lower() 再匹配，比在每处加 ignore_case 更不容易漏。

元字符要转义。判断字符串里有没有小数点，写 str_detect(x, ".") 会永远返回 TRUE，因为 . 匹配任意字符；正确写法是 "\\." 或 fixed(".")。文献 DOI、化学式、文件名里全是这类字符。

中文按字符计数。str_length("数据分析") 返回 4，不是字节数；str_sub() 也按字符取位置，处理中文不会切出乱码。反过来，str_to_upper() 对中文没有任何效果（汉字本来不分大小写），str_sort() 排中文默认按编码顺序而不是拼音顺序，要按拼音排序得先转成因子并显式指定 levels。

提取失败返回 NA，不是空字符串。后续如果要 str_c() 拼接，NA 会把整条结果污染成 NA，先用 str_replace_na(x, "") 或 tidyr::replace_na() 补上。

字符串处理往往是数据整理的第一步而不是最后一步。如果你也用 Python，pandas 的 .str 访问器提供了一套几乎一一对应的向量化字符串方法，正则部分则直接用 Python 的 re 模块语法，可以对照 /python/pandas/cleaning 看同一类清洗任务的两种写法。下一节 /r/tidyverse/purrr 讲的是当同一套清洗逻辑要作用在几十个文件上时，怎么用函数式编程把它组织起来。