理解并掌握R语言中的grep、grepl、regexpr和sub函数
一、Firstly Dimension
正则表达式简介:
传统的统计学教育几乎没有告诉过我们,如何进行文本的统计建模分析。然而,我们日常生活中接触到的大部分数据都是以文本的形式存在。文本分析与挖掘在业界中也有着非常广泛的应用。
由于文本数据大多属于非结构化的数据,要想对文本数据进行传统的统计模型分析,必须要经过层层的数据清洗与整理。
今天我们要介绍的『正则表达式及R字符串处理』就是用来干这一种脏活累活的。
与建立酷炫的模型比起来,数据的清洗与整理似乎是一种低档次的工作。如果把建立模型类比于高级厨师的工作,那么,数据清洗无疑是类似切菜洗碗打扫卫生的活儿。然而想要成为资深的『数据玩家』,这种看似低档次的工作是必不可少的,并且,这种工作极有可能将占据你整个建模流程的80%的时间。
如果我们能够掌握高效的数据清洗工具,那么我们将拥有更多的时间来进行模型选择和参数调整,使得我们的模型更加合理有效。
我会从介绍两种不同的正则表达式,但是他们解决的问题其实是一样的。
下面将要将要举例说明,一一介绍R中常用来处理此类工作的几个函数。
一、首先学习grep函数,是R语言中最基本的正则表达式函数
赋值:
txt<-c("one more","Hello world","up up day","one the more","one two three")
num<-c("one","foru")
# 第一行:返回布尔值(1-匹配上,0-没匹配上)
# 第二行:返回匹配的长度,负值为没有匹配上
# 第三行:类型
# 第四行:是否有匹配上的结果(显示是否逐个字节进行匹配,默认为FALSE,即按字符而不是字节进行匹配)
attr(a,"index.type")# 类型
attr(a,"match.length") #返回匹配的长度,负值为没有匹配上
attr(a,"useBytes") #查看是否有匹配上的结果
regexpr()函数只查询匹配第一个特定字符,要想多次匹配需要使用gregexpr()函数
Sub函数, 返回替换字符串后的具体内容
sub(ignore.case,extended,perl,fixed,useBytes,pattern,replacement,x)
参数:
# ignore.case = FALSE,表示大小写敏感
# extended = TRUE,表示使用egrep规则
# perl = FALSE,表示不使用Perl规则
# fixed = FALSE,表示不使用精确匹配
# useBytes = FALSE,表示按字符匹配
# pattern为字符串表示正则表达式
# replacement也是字符串表示替换的内容
# x为字符型向量表示被替换的字符向量
# 该函数会根据pattern的规则对x中各元素进行搜索,遇到符合条件的第一个子字符串的位置(gsub是替换所有符合条件的),用replacement替换该子字符串,返回替换后的结果,和x的结构相同
# 我们对replacement统一赋值为“”,在c("abcd","dcba")里面查找"a",替换为空
# 该例中的"a"只是一个字符,并不是正则表达式,真正的正则表达式依靠元字符进行灵活的匹配。
# 表示将开头为a的字符串中的a替换成空,在返回值中可以发现后面出现的a并没有被替换。如果要将开头的一个字符串替换,简单地写成“^ab”就行.
# 表示将以a结尾的字符串中的a替换成空。
由于sub只替换搜寻到的第一个,因此这个例子中用gsub效果更好.
以上是最基础的正则表达式元字符,在一些正则表达式的书籍和资料中有非常详细的介绍。最后需要提一下的是“贪婪”和“懒惰”的匹配规则。默认情况下是匹配尽可能多的字符,是为贪婪匹配,默认匹配最长的a开头b结尾的字串,也就是整个字符串。
如果要进行懒惰匹配,也就是匹配最短的字串,只需要在后面加个“?”#就会匹配最开始找到的最短的a开头b结尾的字串。
二、Secondly Dimension
正则表达式不是R的专属内容,这里只做简单介绍,更详细的内容请查阅其他文章。
正则表达式是用于描述/匹配一个文本集合的表达式:
所有英文字母、数字和很多可显示的字符本身就是正则表达式,用于匹配它们自己。比如 “a” 就是匹配字母 “a” 的正则表达式
一些特殊的字符在正则表达式中不在用来描述它自身,它们在正则表达式中已经被“转义”,这些字符称为“元字符”。perl类型的正则表达式中被转义的字符有:. \ | ( ) [ ] { } ^ $ * + ?。被转义的字符已经有特殊的意义,如点号 . 表示任意字符;方括号表示选择方括号中的任意一个(如[a-z] 表示任意一个小写字符);^ 放在表达式开始出表示匹配文本开始位置,放在方括号内开始处表示非方括号内的任一字符;大括号表示前面的字符或表达式的重复次数;| 表示可选项,即 | 前后的表达式任选一个。
如果要在正则表达式中表示元字符本身,比如我就要在文本中查找问号“?”, 那么就要使用引用符号(或称换码符号),一般是反斜杠 “\”。需要注意的是,在R语言中得用两个反斜杠即 “\”,如要匹配括号就要写成 “”
不同语言或应用程序(事实上很多规则都通用)定义了一些特殊的元字符用于表示某类字符,如 \d 表示数字0-9, \D 表示非数字,\s 表示空白字符(包括空格、制表符、换行符等),\S 表示非空白字符,\w 表示字(字母和数字),\W 表示非字,< 和 > 分别表示以空白字符开始和结束的文本。
正则表达式符号运算顺序:圆括号括起来的表达式最优先,然后是表示重复次数的操作(即:* + {} ),接下来是连接运算(其实就是几个字符放在一起,如abc),最后是表示可选项的运算(|)。所以 “foot|bar” 可以匹配“foot”或者“bar”,但是“foot|ba{2}r”匹配的是“foot”或者“baar”。
2 字符数统计和字符翻译
2.1 nchar和length
nchar这个函数简单,统计向量中每个元素的字符个数,注意这个函数和length函数的差别:nchar是向量元素的字符个数,而length是向量长度(向量元素的个数)。其他没什么需要说的。
2.2 tolower,toupper和chartr
这三个函数用法也很简单: tolower 大写转小写 toupper 小写转大写 chartr
chartr(“Tt”, “Uu”, DNA)
[1] “AuGCuuuACC”
chartr(“Tt”, “UU”, DNA)
[1] “AUGCUUUACC”
3 字符串连接
3.1 paste函数
paste应该是R中最常用字符串函数了,也是R字符串处理函数里面非常纯的不使用正则表达式的函数(因为用不着)。它相当于其他语言的strjoin,但是功能更强大。它把向量连成字串向量,其他类型的数据会转成向量,但不一定是你要的结果:
paste(“CK”, 1:6, sep = “”)
[1] “CK1” “CK2” “CK3” “CK4” “CK5” “CK6”
x <- list(a = “aaa”, b = “bbb”, c = “ccc”)
y <- list(d = 1, e = 2)
paste(x, y, sep = “-”) #较短的向量被循环使用
[1] “aaa-1” “bbb-2” “ccc-1”
z <- list(x, y)
paste(“T”, z, sep = “:”)
[1] “T:list(a = “aaa”, b = “bbb”, c = “ccc”)”
[2] “T:list(d = 1, e = 2)”
paste函数还有一个用法,设置collapse参数,连成一个字符串:
paste(x, y, sep = “-”, collapse = "; ")
[1] “aaa-1; bbb-2; ccc-1”
paste(x, collapse = "; ")
[1] “aaa; bbb; ccc”
4 字符串拆分
4.1 strsplit函数
strsplit函数使用正则表达式,使用格式为:
strsplit(x, split, fixed = FALSE, perl = FALSE, useBytes = FALSE)
参数x为字串向量,每个元素都将单独进行拆分。
参数split为拆分位置的字串向量,默认为正则表达式匹配(fixed=FALSE)。如果你没接触过正则表达式,设置fixed=TRUE,表示使用普通文本匹配或正则表达式的精确匹配。普通文本的运算速度快。
perl=TRUE/FALSE的设置和perl语言版本有关,如果正则表达式很长,正确设置表达式并且使用perl=TRUE可以提高运算速度。
参数useBytes设置是否逐个字节进行匹配,默认为FALSE,即按字符而不是字节进行匹配。
text <- “Hello Adam!\nHello Ava!”
strsplit(text, " ")
[[1]]
[1] “Hello” “Adam!\nHello” “Ava!”
R语言的字符串事实上也是正则表达式,上面文本中的\n在图形输出中是被解释为换行符的
strsplit(text, “\s”)
[[1]]
[1] “Hello” “Adam!” “Hello” “Ava!”
strsplit得到的结果是列表,后面要怎么处理就得看情况而定了:
class(strsplit(text, “\s”))
[1] “list”
有一种情况很特殊:如果split参数的字符长度为0,得到的结果就是一个个的字符:
strsplit(text, “”)
[[1]]
[1] “H” “e” “l” “l” “o” " " “A” “d” “a” “m” “!” “\n” “H” “e”
[15] “l” “l” “o” " " “A” “v” “a” “!”
从这里也可以看到R把 \n 是当成一个字符来处理的。
5 字符串查询:
5.1 grep和grepl函数:
这两个函数返回向量水平的匹配结果,不涉及匹配字符串的详细位置信息。
grep(pattern, x, ignore.case = FALSE, perl = FALSE, value = FALSE, fixed = FALSE,
useBytes = FALSE, invert = FALSE)
grepl(pattern, x, ignore.case = FALSE, perl = FALSE, fixed = FALSE, useBytes = FALSE)
虽然参数看起差不多,但是返回的结果不一样。下来例子列出C:\windows目录下的所有文件,然后用grep和grepl查找exe文件:
files <- list.files(“c:/windows”)
grep("\.exe$", files)
[1] 8 28 30 35 36 58 69 99 100 102 111 112 115 117
grepl("\.exe$", files)
[1] FALSE FALSE FALSE FALSE FALSE FALSE FALSE TRUE FALSE FALSE FALSE
[12] FALSE FALSE FALSE FALSE FALSE FALSE FALSE FALSE FALSE FALSE FALSE
[23] FALSE FALSE FALSE FALSE FALSE TRUE FALSE TRUE FALSE FALSE FALSE
[34] FALSE TRUE TRUE FALSE FALSE FALSE FALSE FALSE FALSE FALSE FALSE
[45] FALSE FALSE FALSE FALSE FALSE FALSE FALSE FALSE FALSE FALSE FALSE
[56] FALSE FALSE TRUE FALSE FALSE FALSE FALSE FALSE FALSE FALSE FALSE
[67] FALSE FALSE TRUE FALSE FALSE FALSE FALSE FALSE FALSE FALSE FALSE
[78] FALSE FALSE FALSE FALSE FALSE FALSE FALSE FALSE FALSE FALSE FALSE
[89] FALSE FALSE FALSE FALSE FALSE FALSE FALSE FALSE FALSE FALSE TRUE
[100] TRUE FALSE TRUE FALSE FALSE FALSE FALSE FALSE FALSE FALSE FALSE
[111] TRUE TRUE FALSE FALSE TRUE FALSE TRUE FALSE
grep仅返回匹配项的下标,而grepl返回所有的查询结果,并用逻辑向量表示有没有找到匹配。两者的结果用于提取数据子集的结果都一样:
files[grep("\.exe$", files)]
[1] “bfsvc.exe” “explorer.exe” “fveupdate.exe” “HelpPane.exe”
[5] “hh.exe” “notepad.exe” “regedit.exe” “twunk_16.exe”
[9] “twunk_32.exe” “uninst.exe” “winhelp.exe” “winhlp32.exe”
[13] “write.exe” “xinstaller.exe”
files[grepl("\.exe$", files)]
[1] “bfsvc.exe” “explorer.exe” “fveupdate.exe” “HelpPane.exe”
[5] “hh.exe” “notepad.exe” “regedit.exe” “twunk_16.exe”
[9] “twunk_32.exe” “uninst.exe” “winhelp.exe” “winhlp32.exe”
[13] “write.exe” “xinstaller.exe”
5.2 regexpr、gregexpr和regexec
这三个函数返回的结果包含了匹配的具体位置和字符串长度信息,可以用于字符串的提取操作。
text <- c(“Hellow, Adam!”, “Hi, Adam!”, “How are you, Adam.”)
regexpr(“Adam”, text)
[1] 9 5 14
attr(,“match.length”)
[1] 4 4 4
attr(,“useBytes”)
[1] TRUE
gregexpr(“Adam”, text)
[[1]]
[1] 9
attr(,“match.length”)
[1] 4
attr(,“useBytes”)
[1] TRUE
[[2]]
[1] 5
attr(,“match.length”)
[1] 4
attr(,“useBytes”)
[1] TRUE
[[3]]
[1] 14
attr(,“match.length”)
[1] 4
attr(,“useBytes”)
[1] TRUE
regexec(“Adam”, text)
[[1]]
[1] 9
attr(,“match.length”)
[1] 4
[[2]]
[1] 5
attr(,“match.length”)
[1] 4
[[3]]
[1] 14
attr(,“match.length”)
[1] 4
6 字符串替换
6.1 sub和gsub函数
虽然sub和gsub是用于字符串替换的函数,但严格地说R语言没有字符串替换的函数,因为R语言不管什么操作对参数都是传值不传址
text
[1] “Hellow, Adam!” “Hi, Adam!” “How are you, Adam.”
sub(pattern = “Adam”, replacement = “world”, text)
[1] “Hellow, world!” “Hi, world!” “How are you, world.”
text
[1] “Hellow, Adam!” “Hi, Adam!” “How are you, Adam.”
可以看到:虽然说是“替换”,但原字符串并没有改变,要改变原变量我们只能通过再赋值的方式。 sub和gsub的区别是前者只做一次替换(不管有几次匹配),而gsub把满足条件的匹配都做替换:
sub(pattern = “Adam|Ava”, replacement = “world”, text)
[1] “Hellow, world!” “Hi, world!” “How are you, world.”
gsub(pattern = “Adam|Ava”, replacement = “world”, text)
[1] “Hellow, world!” “Hi, world!” “How are you, world.”
sub和gsub函数可以使用提取表达式(转义字符+数字)让部分变成全部:
sub(pattern = “.(Adam).”, replacement = “\1”, text)
[1] “Adam” “Adam” “Adam”
7 字符串提取
7.1 substr和substring函数
substr和substring函数通过位置进行字符串拆分或提取,它们本身并不使用正则表达式,但是结合正则表达式函数regexpr、gregexpr或regexec使用可以非常方便地从大量文本中提取所需信息。两者的参数设置基本相同:
substr(x, start, stop)
substring(text, first, last = 1000000L)
x均为要拆分的字串向量
start/first 为截取的起始位置向量
stop/last 为截取字串的终止位置向量
但它们的返回值的长度(个数)有差 别:
substr返回的字串个数等于第一个参数的长度
而substring返回字串个数等于三个参数中最长向量长度,短向量循环使用。
先看第1参数(要 拆分的字符向量)长度为1例子:
x <- “123456789”
substr(x, c(2, 4), c(4, 5, 8))
[1] “234”
substring(x, c(2, 4), c(4, 5, 8))
[1] “234” “45” “2345678”
因为x的向量长度为1,所以substr获得的结果只有1个字串,即第2和第3个参数向量只用了第一个组合:起始位置2,终止位置4。 而substring的语句三个参数中最长的向量为c(4,5,8),执行时按短向量循环使用的规则第一个参数事实上就是c(x,x,x),第二个参数就成了c(2,4,2),最终截取的字串起始位置组合为:2-4, 4-5和2-8。
请按照这样的处理规则解释下面语句运行的结果:
x <- c(“123456789”, “abcdefghijklmnopq”)
substr(x, c(2, 4), c(4, 5, 8))
[1] “234” “de”
substring(x, c(2, 4), c(4, 5, 8))
[1] “234” “de” “2345678”
用substring函数可以很方便地把DNA/RNA序列进行三联拆分(用于蛋白质翻译):
bases <- c(“A”, “T”, “G”, “C”)
DNA <- paste(sample(bases, 12, replace = T), collapse = “”)
DNA
[1] “GCAGCGCATATG”
substring(DNA, seq(1, 10, by = 3), seq(3, 12, by = 3))
[1] “GCA” “GCG” “CAT” “ATG”
用regexpr、gregexpr或regexec函数获得位置信息后再进行字符串提取的操作可以自己试试看。
8 其他:
8.1 strtrim函数
用于将字符串修剪到特定的显示宽度,其用法为strtrim(x, width),返回字符串向量的长度等于x的长度。因为是“修剪”,所以只能去掉多余的字符不能增加其他额外的字符:如果字符串本身的长度小于width,得到的是原字符串,别指望它会用空格或其他什么字符补齐:
strtrim(c(“abcdef”, “abcdef”, “abcdef”), c(1, 5, 10))
[1] “a” “abcde” “abcdef”
strtrim(c(1, 123, 1234567), 4)
[1] “1” “123” “1234”
8.2 strwrap函数
该函数把一个字符串当成一个段落的文字(不管字符串中是否有换行符),按照段落的格式(缩进和长度)和断字方式进行分行,每一行是结果中的一个字符串。例如:
str1 <- “Each character string in the input is first split into paragraphs\n(or lines containing whitespace only).
The paragraphs are then\nformatted by breaking lines at word boundaries.
The target\ncolumns for wrapping lines and the indentation of the first and\nall subsequent lines of a paragraph can be controlled\nindependently.”
str2 <- rep(str1, 2)
strwrap(str2, width = 80, indent = 2)
[1] " Each character string in the input is first split into paragraphs (or lines"
[2] “containing whitespace only). The paragraphs are then formatted by breaking”
[3] “lines at word boundaries. The target columns for wrapping lines and the”
[4] “indentation of the first and all subsequent lines of a paragraph can be”
[5] “controlled independently.”
[6] " Each character string in the input is first split into paragraphs (or lines"
[7] “containing whitespace only). The paragraphs are then formatted by breaking”
[8] “lines at word boundaries. The target columns for wrapping lines and the”
[9] “indentation of the first and all subsequent lines of a paragraph can be”
[10] “controlled independently.”
simplify参数用于指定结果的返回样式,默认为TRUE,即结果中所有的字符串都按顺序放在一个字符串向量中(如上);如果为FALSE,那么结果将是列表。另外一个参数exdent用于指定除第一行以外的行缩进:
strwrap(str1, width = 80, indent = 0, exdent = 2)
[1] “Each character string in the input is first split into paragraphs (or lines”
[2] " containing whitespace only). The paragraphs are then formatted by breaking"
[3] " lines at word boundaries. The target columns for wrapping lines and the"
[4] " indentation of the first and all subsequent lines of a paragraph can be"
[5] " controlled independently."
8.3 match和charmatch
match(“xx”, c(“abc”, “xx”, “xxx”, “xx”))
[1] 2
match(2, c(3, 1, 2, 4))
[1] 3
charmatch(“xx”, “xx”)
[1] 1
charmatch(“xx”, “xxa”)
[1] 1
charmatch(“xx”, “axx”)
[1] NA
match按向量进行运算,返回第一次匹配的元素的位置(如果有),非字符向量也可用。charmatch函数真坑爹。其他不看了,其实有正则表达式就足够。
END
有问题,欢迎留言。
每日更新(sql,R,python,databricks,sqlserver),感谢关注!!!
百家号更加精彩---ID:SL1谈数据分析
---------------------------------------------------------------------------------------------
上一篇: 避免Java 8中Comparator.comparing引发的空指针异常
下一篇: 不坚定的自己
推荐阅读
-
理解并掌握R语言中的grep、grepl、regexpr和sub函数
-
F#探险之旅(二):函数式编程(上)-函数式编程范式简介 F#主要支持三种编程范式:函数式编程(Functional Programming,FP)、命令式编程(Imperative Programming)和面向对象(Object-Oriented,OO)的编程。回顾它们的历史,FP是最早的一种范式,第一种FP语言是IPL,产生于1955年,大约在Fortran一年之前。第二种FP语言是Lisp,产生于1958,早于Cobol一年。Fortan和Cobol都是命令式编程语言,它们在科学和商业领域的迅速成功使得命令式编程在30多年的时间里独领风骚。而产生于1970年代的面向对象编程则不断成熟,至今已是最流行的编程范式。有道是“*代有语言出,各领风骚数十年”。 尽管强大的FP语言(SML,Ocaml,Haskell及Clean等)和类FP语言(APL和Lisp是现实世界中最成功的两个)在1950年代就不断发展,FP仍停留在学院派的“象牙塔”里;而命令式编程和面向对象编程则分别凭着在商业领域和企业级应用的需要占据领先。今天,FP的潜力终被认识——它是用来解决更复杂的问题的(当然更简单的问题也不在话下)。 纯粹的FP将程序看作是接受参数并返回值的函数的集合,它不允许有副作用(side effect,即改变了状态),使用递归而不是循环进行迭代。FP中的函数很像数学中的函数,它们都不改变程序的状态。举个简单的例子,一旦将一个值赋给一个标识符,它就不会改变了,函数不改变参数的值,返回值是全新的值。 FP的数学基础使得它很是优雅,FP的程序看起来往往简洁、漂亮。但它无状态和递归的天性使得它在处理很多通用的编程任务时没有其它的编程范式来得方便。但对F#来说这不是问题,它的优势之一就是融合了多种编程范式,允许开发人员按照需要采用最好的范式。 关于FP的更多内容建议阅读一下这篇文章:Why Functional Programming Matters(中文版)。F#中的函数式编程 从现在开始,我将对F#中FP相关的主要语言结构逐一进行介绍。标识符(Identifier) 在F#中,我们通过标识符给值(value)取名字,这样就可以在后面的程序中引用它。通过关键字let定义标识符,如: let x = 42 这看起来像命令式编程语言中的赋值语句,两者有着关键的不同。在纯粹的FP中,一旦值赋给了标识符就不能改变了,这也是把它称为标识符而非变量(variable)的原因。另外,在某些条件下,我们可以重定义标识符;在F#的命令式编程范式下,在某些条件下标识符的值是可以修改的。 标识符也可用于引用函数,在F#中函数本质上也是值。也就是说,F#中没有真正的函数名和参数名的概念,它们都是标识符。定义函数的方式与定义值是类似的,只是会有额外的标识符表示参数: let add x y = x + y 这里共有三个标识符,add表示函数名,x和y表示它的参数。关键字和保留字关键字是指语言中一些标记,它们被编译器保留作特殊之用。在F#中,不能用作标识符或类型的名称(后面会讨论“定义类型”)。它们是: abstract and as asr assert begin class default delegate do donedowncast downto elif else end exception extern false finally forfun function if in inherit inline interface internal land lazy letlor lsr lxor match member mod module mutable namespace new nullof open or override private public rec return sig static structthen to true try type upcast use val void when while with yield 保留字是指当前还不是关键字,但被F#保留做将来之用。可以用它们来定义标识符或类型名称,但编译器会报告一个警告。如果你在意程序与未来版本编译器的兼容性,最好不要使用。它们是: atomic break checked component const constraint constructor continue eager event external fixed functor global include method mixinobject parallel process protected pure sealed trait virtual volatile 文字值(Literals) 文字值表示常数值,在构建计算代码块时很有用,F#提供了丰富的文字值集。与C#类似,这些文字值包括了常见的字符串、字符、布尔值、整型数、浮点数等,在此不再赘述,详细信息请查看F#手册。 与C#一样,F#中的字符串常量表示也有两种方式。一是常规字符串(regular string),其中可包含转义字符;二是逐字字符串(verbatim string),其中的(")被看作是常规的字符,而两个双引号作为双引号的转义表示。下面这个简单的例子演示了常见的文字常量表示: let message = "Hello World"r"n!" // 常规字符串let dir = @"C:"FS"FP" // 逐字字符串let bytes = "bytes"B // byte 数组let xA = 0xFFy // sbyte, 16进制表示let xB = 0o777un // unsigned native-sized integer,8进制表示let print x = printfn "%A" xlet main = print message; print dir; print bytes; print xA; print xB; main Printf函数通过F#的反射机制和.NET的ToString方法来解析“%A”模式,适用于任何类型的值,也可以通过F#中的print_any和print_to_string函数来完成类似的功能。值和函数(Values and Functions) 在F#中函数也是值,F#处理它们的语法也是类似的。 let n = 10let add a b = a + blet addFour = add 4let result = addFour n printfn "result = %i" result 可以看到定义值n和函数add的语法很类似,只不过add还有两个参数。对于add来说a + b的值自动作为其返回值,也就是说在F#中我们不需要显式地为函数定义返回值。对于函数addFour来说,它定义在add的基础上,它只向add传递了一个参数,这样对于不同的参数addFour将返回不同的值。考虑数学中的函数概念,F(x, y) = x + y,G(y) = F(4, y),实际上G(y) = 4 + y,G也是一个函数,它接收一个参数,这个地方是不是很类似?这种只向函数传递部分参数的特性称为函数的柯里化(curried function)。 当然对某些函数来说,传递部分参数是无意义的,此时需要强制提供所有参数,可是将参数括起来,将它们转换为元组(tuple)。下面的例子将不能编译通过: let sub(a, b) = a - blet subFour = sub 4 必须为sub提供两个参数,如sub(4, 5),这样就很像C#中的方法调用了。 对于这两种方式来说,前者具有更高的灵活性,一般可优先考虑。 如果函数的计算过程中需要定义一些中间值,我们应当将这些行进行缩进: let halfWay a b = let dif = b - a let mid = dif / 2 mid + a 需要注意的是,缩进时要用空格而不是Tab,如果你不想每次都按几次空格键,可以在VS中设置,将Tab字符自动转换为空格;虽然缩进的字符数没有限制,但一般建议用4个空格。而且此时一定要用在文件开头添加#light指令。作用域(Scope)作用域是编程语言中的一个重要的概念,它表示在何处可以访问(使用)一个标识符或类型。所有标识符,不管是函数还是值,其作用域都从其声明处开始,结束自其所处的代码块。对于一个处于最顶层的标识符而言,一旦为其赋值,它的值就不能修改或重定义了。标识符在定义之后才能使用,这意味着在定义过程中不能使用自身的值。 let defineMessage = let message = "Help me" print_endline message // error 对于在函数内部定义的标识符,一般而言,它们的作用域会到函数的结束处。 但可使用let关键字重定义它们,有时这会很有用,对于某些函数来说,计算过程涉及多个中间值,因为值是不可修改的,所以我们就需要定义多个标识符,这就要求我们去维护这些标识符的名称,其实是没必要的,这时可以使用重定义标识符。但这并不同于可以修改标识符的值。你甚至可以修改标识符的类型,但F#仍能确保类型安全。所谓类型安全,其基本意义是F#会避免对值的错误操作,比如我们不能像对待字符串那样对待整数。这个跟C#也是类似的。 let changeType = let x = 1 let x = "change me" let x = x + 1 print_string x 在本例的函数中,第一行和第二行都没问题,第三行就有问题了,在重定义x的时候,赋给它的值是x + 1,而x是字符串,与1相加在F#中是非法的。 另外,如果在嵌套函数中重定义标识符就更有趣了。 let printMessages = let message = "fun value" printfn "%s" message; let innerFun = let message = "inner fun value" printfn "%s" message innerFun printfn "%s" message printMessages 打印结果: fun value inner fun valuefun value 最后一次不是inner fun value,因为在innerFun仅仅将值重新绑定而不是赋值,其有效范围仅仅在innerFun内部。递归(Recursion)递归是编程中的一个极为重要的概念,它表示函数通过自身进行定义,亦即在定义处调用自身。在FP中常用于表达命令式编程的循环。很多人认为使用递归表示的算法要比循环更易理解。 使用rec关键字进行递归函数的定义。看下面的计算阶乘的函数: let rec factorial x = match x with | x when x < 0 -> failwith "value must be greater than or equal to 0" | 0 -> 1 | x -> x * factorial(x - 1) 这里使用了模式匹配(F#的一个很棒的特性),其C#版本为: public static long Factorial(int n) { if (n < 0) { throw new ArgumentOutOfRangeException("value must be greater than or equal to 0"); } if (n == 0) { return 1; } return n * Factorial (n - 1); } 递归在解决阶乘、Fibonacci数列这样的问题时尤为适合。但使用的时候要当心,可能会写出不能终止的递归。匿名函数(Anonymous Function) 定义函数的时候F#提供了第二种方式:使用关键字fun。有时我们没必要给函数起名,这种函数就是所谓的匿名函数,有时称为lambda函数,这也是C#3.0的一个新特性。比如有的函数仅仅作为一个参数传给另一个函数,通常就不需要起名。在后面的“列表”一节中你会看到这样的例子。除了fun,我们还可以使用function关键字定义匿名函数,它们的区别在于后者可以使用模式匹配(本文后面将做介绍)特性。看下面的例子: let x = (fun x y -> x + y) 1 2let x1 = (function x -> function y -> x + y) 1 2let x2 = (function (x, y) -> x + y) (1, 2) 我们可优先考虑fun,因为它更为紧凑,在F#类库中你能看到很多这样的例子。 注意:本文中的代码均在F# 1.9.4.17版本下编写,在F# CTP 1.9.6.0版本下可能不能通过编译。 F#系列随笔索引页面