Lab_5.Rmd

---
title: "5. Работа со строками"
output:
  html_document:
    theme: spacelab
    highlight: pygments
    toc: yes
    toc_position: right
    toc_depth: 4
    toc_float: yes
    smooth_scroll: false
    df_print: paged
---

<style>
.parallax {
    /* The image used */
    background-image: url("5_strings.jpg");

    /* Set a specific height */
    min-height: 300px; 

    /* Create the parallax scrolling effect */
    background-attachment: fixed;
    background-position: center;
    background-repeat: no-repeat;
    background-size: auto;
}
</style>

<div class="parallax"></div>


### 1. Как получить строку?[^1]
[^1]: Данная картинка -- рисунок Бориса Аркадьевича Диодорова  из книжки Яна Экхольма "Тутта Карлссон, первая и единственная, Людвиг Четырнадцатый и другие"

* следите за кавычками
```{r}
"the quick brown fox jumps over the lazy dog"
'the quick brown fox jumps over the lazy dog'
"the quick 'brown' fox jumps over the lazy dog"
'the quick "brown" fox jumps over the lazy dog'
```
* пустая строка
```{r}
""
''
character(3)
```
* преобразование
```{r}
typeof(4:7)
as.character(4:7)
```
* встроенные векторы
```{r}
letters
LETTERS
month.name
```
* пользовательские данные
```{r}
str(data.frame(letters[6:10], LETTERS[4:8]))
str(data.frame(letters[6:10], LETTERS[4:8], stringsAsFactors = FALSE))
```
* `stringi`
```{r}
set.seed(42)
stringi::stri_rand_strings(n = 10, length = 5:14)
stringi::stri_rand_shuffle("любя, съешь щипцы, — вздохнёт мэр, — кайф жгуч")
stringi::stri_rand_shuffle(month.name[1:8]) # на больших векторах глючит
stringi::stri_rand_lipsum(nparagraphs = 2)
```

<div class="parallax"></div>


### 2. Операции со строками

* изменение регистра
* подсчет количества символов в строке
* сортировка строк
* соединение строк
* поиск вектора по подстроке
* разделение вектора по подстроке
* выделение подстроки по номеру

base R vs. `stringr`, `stringi`…
<div class="parallax"></div>

#### 2.1 Изменение регистра
```{r}
latin <- "tHe QuIcK BrOwN fOx JuMpS OvEr ThE lAzY dOg"
tolower(latin)
toupper(latin)
cyrillic <- "лЮбЯ, сЪеШь ЩиПцЫ, — вЗдОхНёТ мЭр, — кАйФ жГуЧ"
tolower(cyrillic)
toupper(cyrillic)
stringr::str_to_upper(latin)
stringr::str_to_lower(cyrillic)
stringr::str_to_title(latin)
```

<div class="parallax"></div>

#### 2.2 Подсчет количества символов
```{r}
nchar(latin)
nchar(month.name)
nchar(c(NULL, NA, ""))
stringr::str_length(latin)
stringr::str_length(month.name)
stringr::str_length(c(NULL, NA, ""))
```

<div class="parallax"></div>

#### 2.3 Сортировка
```{r}
unsorted_latin <- c("I", "♥", "N", "Y")
sort(unsorted_latin)
stringr::str_sort(unsorted_latin)
stringr::str_sort(unsorted_latin, locale = "lt")
unsorted_cyrillic <- c("я", "i", "ж")
stringr::str_sort(unsorted_cyrillic)
stringr::str_sort(unsorted_cyrillic, locale = "ru_UA")
sort(c(NULL, NA, ""))
stringr::str_sort(c(NULL, NA, ""))
```
Список локалей можно посмотреть командой `stringi::stri_locale_list()`. Еще полезные команды: `stringi::stri_locale_info` и `stringi::stri_locale_set`.

Не углубляясь в [разнообразие алгоритмов сортировки](https://www.youtube.com/watch?v=BeoCbJPuvSE), отмечу, что алгоритм по-умолчанию хуже работает с большими данными:

```{r, cache= TRUE}
set.seed(42)
huge <- sample(letters, 1e7, replace = TRUE)
head(huge)
system.time(
  sort(huge)
)

system.time(
  sort(huge, method = "radix")
)

system.time(
  stringr::str_sort(huge)
)

huge_df <- data.frame(huge)
system.time(
  dplyr::arrange(.data = huge_df, huge)
)

huge_tbl <- tibble::data_frame(huge)
system.time(
  dplyr::arrange(.data = huge_tbl, huge)
)
```
Предварительный вывод: для больших данных -- `sort(..., method = "radix")`.

<div class="parallax"></div>
#### 2.4 Соединение

* одинаковое количество строк
```{r}
greek_abc <- c("Α", "Β", "Γ", "Δ")
latin_abc <- c("A", "B", "C", "D")
paste(greek_abc, latin_abc)
paste0(greek_abc, latin_abc)
paste(greek_abc, latin_abc, sep = "-")
paste(greek_abc, "Ы") # если векторы разной длины
```

* ... → одна строка
```{r}
paste(greek_abc, collapse = "_")
paste(greek_abc, latin_abc, collapse = "_")
paste(greek_abc, latin_abc, sep = "-", collapse = "_")
```

* `stringr`
```{r}
stringr::str_c(greek_abc, latin_abc)
stringr::str_c(greek_abc, latin_abc, sep = " ")
stringr::str_c(greek_abc, latin_abc, sep = "-")
stringr::str_c(greek_abc, collapse = "_")
stringr::str_c(greek_abc, latin_abc, collapse = "_")
stringr::str_c(greek_abc, latin_abc, sep = "-", collapse = "_")
```

* К сожалению, аргументы `sep` и `collapse` не векторизованы, так что если хочется использовать разные разделители, нужно использовать аргумент `separators`:
```{r}
stringr::str_c(greek_abc, separaters = c("-", "_"))
stringr::str_c(greek_abc, separaters = c("-", "_"), collapse = "")
stringr::str_c(greek_abc, latin_abc, separaters = c("-", "_"))
stringr::str_c(greek_abc, latin_abc, separaters = c("-", "_"), sep = "^")
stringr::str_c(greek_abc, latin_abc, separaters = c("-", "_"), collapse = "")
stringr::str_c(greek_abc, latin_abc, sep = "^", separaters = c("-", "_"), collapse = "")
```


* глюки
```{r}
paste(c(NULL, NA, ""))
stringr::str_c(c(NULL, NA, ""))
```

<div class="parallax"></div>

#### 2.5 Поиск строки по подстроке
```{r}
a <- c("the quick", "brown fox", "jumps", "over the lazy dog")
grep("the", a)
grep("the", a, value = TRUE)
grep("the", a, invert = TRUE)
grep("the", a, invert = TRUE, value = TRUE)
grepl("the", a)

stringr::str_which(a, "the")
stringr::str_subset(a, "the")
stringr::str_detect(a, "the")
stringr::str_view(a, "o")
stringr::str_view_all(a, "o")
stringr::str_locate(a, "o")
```
<div class="parallax"></div>

#### 2.6 Замена подстроки в строке
```{r}
b <- c("the quick brown fox", "jumps over the lazy dog")
sub("o", "_", b)
gsub("o", "_", b)
stringr::str_replace(b, "o", "_")
stringr::str_replace_all(b, "o", "_")
```

<div class="parallax"></div>

#### 2.7 Разделение вектора по подстроке
```{r}
b
strsplit(b, " ")
stringr::str_split(b, " ")
stringr::str_split(b, " ", simplify = TRUE)
```


<div class="parallax"></div>

#### 2.8 Выделение подстроки по номеру
```{r}
b
substring(b, 11, 15)
# с 5 по 9 и с 16 по 19
substring(b, c(5, 16), c(9, 19))
substring("а роза упала на лапу Азора", 1:26, 1:26)
substring("мат и тут и там", 1:15, 15:1)
stringr::str_sub(b, 11, 15)
stringr::str_sub(b, c(5, 16), c(9, 19))
stringr::str_sub("а роза упала на лапу Азора", 1:26, 1:26)
stringr::str_sub("мат и тут и там", 1:15, 15:1)
stringr::str_sub(b, -3, -1) # обратите внимание: нестандартное использование "-"
```

<div class="parallax"></div>

#### 2.9 Транслитерация строк
В пакете `stringi` сууществует достаточно много методов транслитераций строк, которые можно вывести командой `stri_trans_list()`. Вот пример использования некоторых из них:
```{r}
stringi::stri_trans_general("stringi", "latin-cyrillic")
stringi::stri_trans_general("сырники", "cyrillic-latin")
stringi::stri_trans_general("stringi", "latin-greek")
stringi::stri_trans_general("stringi", "latin-armenian")
```

<div class="parallax"></div>

#### 2.10 Подгонка количества символов
Для удобства представления, иногда удобно обрезать строки до фиксированного количества символов  в строке:
```{r}
s <- "Это слишком длинная строка"
stringr::str_trunc(s, 20, "right")
stringr::str_trunc(s, 20, "left")
stringr::str_trunc(s, 20, "center")
```

Или наоборот подогнать к какому-то фиксированному количеству символов:
```{r}
w <- "коротковато"
stringr::str_pad(w, 20, "right")
stringr::str_pad(w, 20, "left")
stringr::str_pad(w, 20, "both")
```


<div class="parallax"></div>

### 3. Операции над векторами

Векторы не мноежества, но операции на них действуют те же:

* Объединение
* Пересечение
* Разность
* Сравнение
* Подмножество?

<div class="parallax"></div>

#### 3.1 Объединение
```{r}
a <- c("the quick", "brown fox", "jumps", "over the lazy dog")
b <- c("the quick", "brown fox", "jumps over the lazy dog")
c(a, b)
unique(c(a, b))
union(a, b)
```

<div class="parallax"></div>

#### 3.2 Пересечение
```{r}
a; b
intersect(a, b)
```

<div class="parallax"></div>

#### 3.3 Разность
```{r}
a; b
setdiff(a, b)
```

<div class="parallax"></div>

#### 3.4 Сравнение
```{r}
c <- c("brown fox", "jumps", "over the lazy dog", "the quick")
a; c
setequal(c, a)
identical(c, a)
```
<div class="parallax"></div>

#### 3.5 Подмножество?
```{r}
a
is.element("jumps", a)
is.element("the lazy dog", a)
is.element(c("jumps", "the lazy dog"), a)
c("jumps", "the lazy dog") %in% a
```

<div class="parallax"></div>

### 4. Задачи
#### 4.1 Чет-нечет
Напишите функцию `is.odd()`, которая возвращает значение `TRUE`, если число символов в строке нечетно, `FALSE`, если число символов в строке четно.

```{r,echo=FALSE, message = FALSE}
is.odd <- function(x){nchar(x) %% 2 == 1}
```
```{r}
is.odd(c("odd", "even", ""))
```


#### 4.2 Искусственные данные по средней продолжительности сна
[В данных по продолжительности сна](https://goo.gl/dpCSV2) (1.1_sleep_hours.csv)[^2] две переменных: код испытуемого и среднее время сна. Попробуйте сделать следующий график:

```{r, echo=FALSE, message = FALSE}
library(tidyverse)
read.csv("https://goo.gl/dpCSV2") %>% 
  mutate(sex = gsub("[0-9_]", "", code)) %>% 
  ggplot(aes(sleep_hours, fill = sex))+
  geom_density(alpha= 0.4)+
  theme_bw()+
  labs(title = "Зависимость времени сна от пола",
       caption = "искусственные данные",
       y = "плотность",
       x = "среднее время сна")
```

[^2]: Если у Вас не получается считать файл, попробуйте добавлять разные аргументы к `read.csv`: `encoding="UTF-8"` или `fileEncoding = "UTF-8"`… Я надеюсь, поможет…

#### 4.3 Алфавитный порядок
Как было сказано выше, "алфавитный" порядок разный в разных локалях. Напишите функцию `ordering_in_locales`, которая на вход принимает два символа, а возвращает таблицу с информацией о том, в скольких локалях порядок соответствует поданному в функцию, а в скольких порядок обратный:
```{r, echo=FALSE, message = FALSE}
ordering_in_locales <- function(x, y){
  table(
    sapply(stringi::stri_locale_list(), function(z){
    paste(stringr::str_sort(c(x, y), locale = z), collapse = "_")}))}
```
```{r}
ordering_in_locales("i", "и")
```

#### 4.4 Функция для проверки полиндромности
Напишите функцию `is.palindrome`, которая будет проверять, является ли *слово* полиндромом.
```{r, echo=FALSE, message = FALSE}
is.palindrome <- function(x){
  x <- gsub("\\W", "", tolower(x))
  x == paste0(rev(substring(x, 1:nchar(x), 1:nchar(x))), collapse = "")
}
```
```{r}
is.palindrome("топот")
is.palindrome("топор")
```

#### 4.5 Функция для зеркального отражения размера букв
Напишите функцию `mirror_case()`, которая в строке все большие буквы заменяет на маленькие, а все маленькие -- на большие.
```{r, echo=FALSE, message = FALSE}
mirror_case <- function(x){
  x <- substring(x, 1:nchar(x), 1:nchar(x))
  lower <- tolower(x)
  paste0(sapply(seq_along(x), function(i){
    ifelse(x[i] == lower[i], 
           toupper(lower[i]), lower[i])}), collapse = "")
}
```
```{r}
mirror_case("ЖиЛи БыЛи ТрИ мЕдВеДя")
```
<div class="parallax"></div>