【Rデータ整理】文字列の抽出や置換：str_sub／substr

文字列を部分的に抽出したり、置換したりするときには、R標準パッケージ（base）のsubstr()、もしくは stringrパッケージならstr_sub()を使う。

現実的には、以下のような理由から、後述のstr_sub()を使うことが多い。

……なので、ここでは str_sub()の方から書き留めておく。

str_sub()

str_sub()は、stringrパッケージの関数で、より直感的で使いやすい関数。

私は日頃、こちらの方をよく使っている。

負のインデックス、ベクトル処理、文字列の置換が非常に柔軟に行えるのが特徴。

str_sub()は、stringerパッケージに含まれている関数なので、まずはパッケージをインストール＆読み込む必要がある。

# stringrパッケージのインストール
install.packages("stringr")
# stringrパッケージの読み込み
library(stringr)

str_sub(x, start, end)

使い方の例

文字列の部分抽出

text <- "Hello, World!"
# 1文字目から5文字目を抽出
result <- str_sub(text, 1, 5)
print(result)

output
[1] "Hello"

負のインデックスを使った抽出

# 末尾から5文字を抽出
result <- str_sub(text, -6, -1)
print(result)

output
[1] "World!"

• 負のインデックス（-6, -1）で、末尾からの文字抽出が可能。
• substr()ではできなかった操作が可能になる。

文字の置換

text <- "Hello, World!"
# 1文字目から5文字目を "Hi!!" に置換
str_sub(text, 1, 5) <- "Hi!!"
print(text)

output
[1] "Hi!!o, World!"

• 部分置換が簡単にできる。
• substr()と同様の置換ですが、可読性が高いのがポイント。

ベクトルへの対応

texts <- c("Hello", "World", "Programming")
# 1文字目から3文字目を抽出
result <- str_sub(texts, 1, 3)
print(result)

output
[1] "Hel" "Wor" "Pro"

• ベクトルを一度に処理するのがstr_sub()の強み。

NAの処理

texts <- c("Hello", NA, "World")
# 1文字目から3文字目を抽出
result <- str_sub(texts, 1, 3)
print(result)

output
[1] "Hel" NA    "Wor"

• NAはそのままNAとして返される。

str_sub() のまとめ

str_sub() の使い方をざっくりとまとめると、以下のような感じ。

substr()

substrは、Rの標準関数 (base R) で、文字列の一部分を抽出・変更するために使用する。

シンプルな文字列の部分抽出に適しているけれど、機能はやや限定的。

substr(x, start, stop)

• stopは、前からしか数えられないのが残念なところ（後述のstr_subは後ろからも数えられる）。

使い方の例

文字列の部分抽出

text <- "Hello, World!"
# 1文字目から5文字目を抽出
result <- substr(text, 1, 5)
print(result)

output
[1] "Hello"

• 1から5番目の文字を抽出した。

複数の文字列の部分抽出

texts <- c("Hello", "World", "Programming")
# 各要素の1文字目から3文字目を抽出
result <- substr(texts, 1, 3)
print(result)

output
[1] "Hel" "Wor" "Pro"

• 3つの要素があるベクトルに対して、各要素の1文字目から3文字目を抽出した。

部分文字列の置換

substr()は、部分文字列を置換するための左辺代入も可能。

text <- "Hello, World!"
# 1文字目から5文字目を "Hi!!" に置換
substr(text, 1, 5) <- "Hi!!"
print(text)

output
[1] "Hi!!o, World!"

• 1から5番目の文字がHi!!に置換された。
• 文字数が異なっても置換は可能（置換後の文字数が変更される）。

NAの処理

texts <- c("Hello", NA, "World")
# 1文字目から3文字目を抽出
result <- substr(texts, 1, 3)
print(result)

output
[1] "Hel" NA    "Wor"

• NAはそのままNAとして返される。

空文字の処理

text <- ""
# 1文字目から3文字目を抽出
result <- substr(text, 1, 3)
print(result)

output
[1] ""

• 空文字列の部分抽出を行うと、空文字のまま返される。

substr() のまとめと注意点

substr() の使い方をざっくりとまとめると、以下のような感じ。

substr() と str_sub() の比較

substr()とstr_sub()の違いをまとめると、以下のようになる。

どっちを使うべき？

イメージとしては、「ほとんどの場面ではstr_sub()が良いけど、ただし、シンプルな部分抽出だけならsubstr()でも問題ない」といった感じ。